Manual Eviews PDF

Gua de Manejo del programa E-Views
pg.1
GUA DE MANEJO DEL PROGRAMA E-VIEWS

Ramn Maha
Licenciatura en Administracin y direccin de empresas Asignatura: Econometra I Dpto. Economa Aplicada
pg.2
CAPTULO I.
Conceptos bsicos. Creacin de un fichero de trabajo
I.A.- INTRODUCCIN El programa E -Views es la versin en entorno MS-Windows del antiguo Micro -TSP (Time Series Analysis) desarrollado por primera vez en 1981. Es uno de los ms utilizados dentro del campo de la econometra y su manejo permite la estimacin, resolucin y uso de modelos economtricos de distinta naturaleza mediante la utilizacin de una amplia gama de procedimientos. Su puesta al da en relacin con los ltimos avances de la econometra aplicada es notable y, para los que conocen cada una de las tcnicas, su utilizacin es extremadamente intuitiva. Esta adecuacin a la prctica profesional de la econometra se debe sin duda a sus autores que, desde las primeras versiones del TSP disearon el programa de cara a su utilizacin real adaptndolo a sus propias necesidades del da a da. Aunque el programa fue desarrollado por economistas y la mayor parte de sus usos se realizan en el campo de la economa no hay nada en su diseo que limite su utilidad a las series temporales econmicas.
I.B.- REQUERIMIENTOS PARA LA INSTALACIN DE E -VIEWS Para el correcto funcionamiento del programa E-Views es necesario el siguiente equipo bsico: Un ordenador 386, 486 o Pentium con Microsoft Windows 3.1, Windows 95, o Windows NT 4 megas de RAM como mnimo con Windows 3.1, para el caso de Windows 95 o Windows NT el nmero necesario para que estos programas funcionen garantiza el uso de E-Views. Una pantalla VGA o superior 5 megabytes de disco duro libres como mnimo
I.C.- CONCEPTOS BSICOS: Objetos y Fichero de Trabajo El funcionamiento del programa E-Views est pensado alrededor del concepto de objeto. Un objeto puede ser una serie temporal, una ecuacin, un modelo (conjunto de ecuaciones), un coeficiente de una ecuacin o una matriz. Cada objeto tendr, obviamente, un nombre. De entre todos los tipos de objetos posibles destaca en EViews un nuevo tipo llamada grupo. El grupo puede entenderse como un conjunto de series que permanecen unidas para realizar sobre todas ellas simultneamente operaciones generalmente de edicin o consulta de datos. Los objetos que en cada momento se estn utilizando podrn ser visualizados en la pantalla principal del EViews; como en cualquier otra aplicacin de entorno Windows, los objetos aparecern bien como un icono, bien como una ventana. Utilizando adecuadamente el ratn, el usuario puede cerrar, maximizar, minimizar, mover la ventana o el icono del objeto. Conviene tener en cuenta que un objeto puede presentarse de distintas formas: por ejemplo, de una serie temporal pueden aparecer sus datos, su grfico, sus estadsticos bsicos, su histograma de frecuencias etc. El usuario puede cambiar fcilmente de una forma a otra de presentacin para cada objeto utilizando lo que se denominan vistas o views del objeto . Debe recordarse que slo puede abrirse una ventana para cada objeto, y ser en esa ventana en donde veamos representado el objeto de distintas formas.
pg.3
Una utilidad del E -Views es que puede transformarse una determinada vista en un objeto para almacenarlo como tal en el fichero de trabajo. Esta operacin se denomina freeze o congelacin de una vista. As, si estamos viendo una determinada serie de datos en formato grfico (vista de grfico) podemos congelar ese grfico y guardarlo como otro objeto en el workfile; la ventaja de esta operacin es que el grfico no cambiar aunque la serie de datos se transforme en una operacin ulterior. de modo La mayor parte de los objetos permiten, adems, someterse a procedimientos o procs. Como en el caso de las vistas, la mayora de los procedimientos muestran tablas o grficos en la ventana correspondiente al objeto. A diferencia de las vistas, los procedimientos pueden alterar el objeto inicial o crear uno nuevo que quedar almacenado junto a los iniciales en el fichero de trabajo. Los objetos se mantienen agrupados en lo que se denomina Workfile o fichero de trabajo. Cada fichero de trabajo mantendr una lista actualizada de los nomb res de los objetos que contiene. Lgicamente, el primer paso en la utilizacin del E-Views ser crear de un fichero de trabajo nuevo o abrir uno ya existente previamente creado. Los Workfiles se almacenan en los discos como archivos normales creados con cualquier programa. Ms adelante se analizarn las forma de guardar y recuperar ficheros as como sus extensiones. I.D.- DESCRIPCIN DEL ENTORNO DE E -VIEWS Antes de entrar en el manejo bsico de E -Views vamos a describir brevemente cada una de las partes que integran la pantalla del programa y la forma en que se vern cada uno de los elementos que manejaremos habitualmente. Un ejemplo de la pantalla que puede apreciarse en una sesin habitual de E -Views es la que aparece a continuacin:
Men principal
rea de Comandos
Ventana de WorkFile
Lnea de Estado
Ventana de Objeto Abierto (Grfico serie)
pg.4
Las partes principales de la ventana del programa son las que aparecen identificadas en la ilustracin: El men principal que da entrada a todos los procedimientos que pueden realizarse. El rea de comandos, en el que puede utilizarse la sintaxis propia del TSP en lugar de los mens para ejecutar determinados procedimientos. El rea en donde se situarn las distintas ventanas como las que aparecen en la ilustracin: en este caso se trata de la ventana del workfile que muestra la lista de objetos agrupados en el mismo y la ventana de una serie temporal en modo grfico. La lnea de estado en la que aparecer informacin til sobre el fichero abierto: principalmente el workfile en uso y el directorio en el que se localiza A partir de la ventana principal del workfile, cada uno de los objetos puede abrirse la ventana para cada uno de los objetos haciendo doble klick en el icono correspondiente. El tamao de las ventanas puede modificarse, pueden minimizarse las ventanas, moverse, cerrase, segn el procedimiento habitual de cualquier programa de MS-Windows. I.E.- LOS MENS DE E -VIEWS Sin perjuicio de dar posteriormente una descripcin detallada de algunos procedimientos bsicos que pueden realizarse con el programa E-Views, conviene repasar las principales opciones de los mens paso por paso. Las entradas que aparecen inicialmente en el men principal son 8, cada uno de ellos con una finalidad bsica: File Menu: controla operaciones relacionadas con los ficheros, datos y programas Edit Menu: contiene los items bsicos de cualquier programa en entorno windows Objects Menu: manipula los distintos objetos que se almacenan en un workfile. Proc and View Menus: estos dos mens se utilizan de forma diferente que el resto ya que se refieren siempre a la ventana activa en cada caso y por tanto diferirn segn el tipo de ventana en uso. Quick Menu: da acceso directo a comandos que se utilizan con cierta frecuente Options Menu: altera los parmetros de funcionamiento general del E -Views. Los cambios que se realicen con este men permanecen an saliendo del programa. Windows Menu: da acceso directo a las distintas ventanas que tengamos abiertas en el rea de trabajo. Help Menu: men de ayuda clsico. Vamos ahora a entrar con ms detalle en las opciones bsicas de aquellas entradas principales de mayor inters excepto en los casos de procedures y views ya que estas cambian segn la ventana activa. No se trata de describir con detalle cada una de las opciones sino tan slo de anticipar alguno de los items de cada uno de ellos.
pg.5
MEN FILE ENTRADA New Open Save Save as Close ACCIN Crea nuevos workfiles, ficheros de programa y ficheros de texto. Abre un men por el que se accede a los workfiles, programas o ficheros de texto previamente creados Salva el workfile, programa o fichero de texto activo, si no se ha grabado nunca preguntar el nombre a utilizar. Salva el workfile, programa o fichero de texto activo preguntando por un nombre Cierra la ventana activa. Si la ventana activa es un workfile, un programa o un fichero de texto este se cerrar, es decir, ser borrado de la memoria RAM. Previamente se nos preguntar si deseamos guardar los ltimos cambios. Lee datos de un fichero externo. Los ficheros legibles son de los siguientes tipos: Banco de datos de E-Views, DRI Basic Economic database, texto, Lotus y Excel. Cuando se importan datos de estos formatos se abrir un men adicional en el que se nos preguntar el formato de los mismos. Escribe datos desde un fichero de trabajo al formato Banco de datos EViews, texto, Lotus o Excel. En el formato de Banco de datos puede almacenarse cualquier tipo de objeto (en ficheros separados) pero en ficheros de texto o de hoja de clculo slo pueden almacenarse series de datos. Se abrirn en todo s los casos mens adicionales para especificar el formato. Imprime el contenido de la ventana activa. Si no hay ventana activada imprime el rea de comandos. Controla las opciones de impresin. El men que se abre permite, entre otras cosas, especificar si la impresin ser enviada a la impresora o a un fichero de disco. Cierra todas las ventanas y sale del programa preguntando si deben grabarse los cambios realizados.
Import Export
Print Print Setup Exit
MEN EDIT ENTRADA Undo Cut Copy Paste Delete Find Replace Next Merge ACCIN Deshace el efecto de la operacin de edicin ms reciente Borra la seleccin y la coloca en el Clipboard de Windows Copia la seleccin en el Clipboard de Windows Coloca el material residente en el Clipboard de Windows en la zona seleccionada Borra la seleccin Encuentra una cadena de caracteres en un texto Reemplaza determinadas cadenas de caracteres en un texto Ejecuta la siguiente operacin de bsqueda segn la condicin de bsqueda previa Hace aparecer en un fichero en e l programa, modelo o sistema
MEN OBJECTS ENTRADA New Object Fetch Store Store as Name Copy Freeze ACCIN Crea un nuevo objeto del que se nos preguntar el tipo y el nombre. Es la operacin contraria a Store y de efecto similar a Import del men File. Su utilidad es recuperar un objeto guardado en formato Base de Datos E-Views (*.db*)de un disco. Es la operacin contraria a Fetcht y de efecto similar a Export del men File. Su utilidad es grabar un objeto en formato Base de Datos E -Views (*.db*) en un disco. De efecto idntico a Store permite guardar objetos en formato .db pero permitiendo especificar el nombre y el lugar de almacenamiento. Permite dar nombre a un objeto nuevo o ya creado cuando este se encuentra activo. Realiza una copia de un determinado objeto cuando ste se encuentra activado o simplemente resaltado. Nos preguntar el nombre del nuevo objeto. Congela la vista activa del objeto seleccionado creando un nuevo objeto. Si el objeto congelado es un grfico de una serie, el grfico se almacenar como un objeto nuevo que podr ser modificando poniendo texto, sombras. Para cualquier otro objeto, el resultado ser una tabla que tambin puede ser editada. Imprime la vista activa del objeto que estemos visualizando. Activa o desactiva ciertas propiedades de la vista del objeto activo. No cambia el tipo de vista sino algunas de sus caractersticas. Este men cambia segn el tipo de vista activo. Sus opciones son ms accesibles desde la barra de iconos que aparece en la parte superior de la ventana de una vista.
Print View Options
pg.6
MEN QUICK ACCIN Altera la muestra de datos que se considerarn para los tratamientos posteriores a esta orden. Permite especificar una ecuacin para generar una serie nueva a partir de otras almacenadas en el fichero de trabajo adems del perodo (muestra) para el que se generarn datos de esa nueva serie. Show Activa la ventana del objeto seleccionado. La principal utilidad de esta orden no es abrir la ventana de un objeto sino abrir, en una ventana nica, varios grficos o series. Graph Permite crear un grfico de la serie seleccionada o de un grupo de series. Una vez seleccionadas las series puede especificarse el tipo de grfico que se desea y mltiples opcio nes que modifican su aspecto final. Empty Group Crea un grupo de series vaco. Una vez creado pueden teclearse en la barra de edicin de ese grupo las series que se desean en ese grupo o los valores concretos para cada una de ellas. Series Statistics Calcula diversos estadsticos que se ofrecen en un men para una o varias series seleccionadas. Group Statistics Calcula estadsticos para un grupo de variables previamente creado. Al aplicarse a un grupo aparecern ciertos estadsticos como las correlacione s, Correlogramas, Crossetc., que slo tienen sentido cuando quieren analizarse de forma cruzada las variables de un grupo. Estimate Estima una nueva ecuacin que el usuario deber especificar y la almacena como un objeto nuevo. Equation Estimate VAR Estima un modelo VAR que debemos especificar. ENTRADA Sample Generate Series
I.F.- EL OBJETO PRINCIPAL: LA SERIE DE DATOS Para el usuario no familiarizado con el manejo del programa E -Views ni con la prctica economtrica puede resultarle difcil hacerse una ida clara de lo que significa cada uno de los objetos descritos anteriormente. Sin embargo, de momento basta con acercarse al de la serie de datos. De todos los tipos de objetos que se agrupan en un fichero de trabajo el ms importante, sin duda, es la serie de datos. La prctica economtrica consiste en encontrar relaciones entre un determinado grupo de variables, cada una de esas variables se almacenan en una serie temporal o transversal.
Cada una de las series de datos como la que se observa en la ilustracin quedar almacenada como un objeto admitiendo distintas vistas: vistas de hoja de clculo (como la que se observa en la ilustracin), vista de
pg.7
grfico de barras o lneas, vista de histograma y estadsticos bsicos, vista de tabla de frecuencias, vista de su correlograma, vista de su test de races unitarias o vista de su etiqueta. Cada una de estas vistas es accesible utilizando el comando views bien del men general bien de la barra de comandos propia de la ventana activa.Cuando cambiamos de vista, no se crean objetos nuevos a menos que el usuario lo solicite congelando la imagen con el comando freeze. Una vez que se congela una vista, por ejemplo un grfico, ste no cambiar an cuando la serie de datos originales se modifique. En la siguiente lustracin se muestran para la serie de ejemplo cuatro vistas alternativas.
VISTA DE HISTOGRAMA
VISTA DE GRFICO DE LNEAS
VISTA DE CORRELORAMA
VISTA DE TEST DE RAICES UNITARIAS
Cada una de las vistas de una serie de datos tiene, obviamente una utilidad diferente y comprender cada una de ellas slo es posible cuando se tiene cierto conocimiento sobre los procedimientos y tcnicas de la prctica economtrica. Una serie admite, adems de distintas vistas, ser sometida a distintos procedimientos. Una vez ms, el significado de cada uno de ellos requiere tener conocimientos de estadstica y econometra. En este punto interesa tan slo citar que el comando procs de la barra de tareas de la ventana de un objeto nos permitir generar la serie de datos como una ecuacin a partir de otras variables ya creadas, realizar un ajuste de la estacionalidad para series trimestrales o mensuales y dos tipos de alisado de la misma.
pg.8
I.G.- CREACIN DE UN FICHERO DE TRABAJO EN E -VIEWS La principal de todas las operaciones de manejo del programa E -Views es la creacin de un fichero de trabajo, slo una vez creado el fichero podremos empezar a aadirle elementos y elaborar nuestro primeros anlisis. La creacin de un fichero de trabajo debe comenzar por la especificacin de una serie de parmetros bsicos que definirn el tipo de fichero y el tipo de los datos que quedarn almacenados. Para la creacin de un nuevo fichero debe ejecutarse:
FILE
NEW
WORKFILE
Esta secuencia de comandos abre una pantalla en la que debe especificarse el tipo de datos y la frecuencia (rango) del fichero. Esto es que se denomina rango de la muestra inicial y que el E-Views identifica como range. No debe confundirse el rango con la amplitud de la muestra o sample ( simplemente smpl): el smpl es la parte del rango activo en un momento determinado y puede cambiarse, dentro del rango especificado, tantas veces como se desee, segn el momento. E-Views ofrece distintas posibilidades para el rango de datos segn la frecuencia de nuestros datos. En primer lugar puede elegirse entre distintas frecuencias temporales: anuales, semi-anuales, trimestrales, mensuales, semanales y diarios (para semanas con 5 y 7 das). En segundo lugar, puede crearse un fichero transversal, que el E-Views denomina undated or irregular.
Los datos del perodo inicial y final deben introducirse de la siguiente forma: Anual: para los datos anuales, bien el ao completo bien los dos ltimos dgitos para aos del siglo XX. Por ejemplo: 1981, 1895, 2001, 81, 95. Trimestral: el ao completo o los ltimos dos dgitos, dos puntos y el nmero del trimestre (del 1 al 4). Por ejemplo: 1992:1, 65:4, 2002:3. Mensual: el ao completo o los ltimos dos dgitos, dos puntos y el nmero del mes (del 1 al 12) Ejemplos: 1956:1, 1990:11. Semanales y diarios: Nmero del mes, dos puntos, nmero del da, dos puntos y ao. Para los datos semanales la semana se identifica por el primer da de la misma. Por ejemplo: 3:10:87 es el 10 de Marzo de 1987 o la semana que empieza ese da. Puede alterarse en el men de Options/Date-Frecuencies el modo de notacin americano por el europeo si resulta ms cmodo.
pg.9
Undated: Simplemente se utiliza un nmero inicial (generalmente el 1) y un nmero final segn el nmero de datos que tengamos. Por ejemplo: 1 10 abrira un fichero preparado para series con 10 datos. Una vez tecleado el tipo de dato y la fecha de inicio y final aparecer la pantalla de objetos del workfile creado. Ventana de Ttulo
Barra de Herramientas Lnea de Status Directorio de Objetos
Esta pantalla est dividida en una serie de reas bsicas: - Lnea de ttulo: en donde aparecer el nombre del fichero de trabajo y el lugar del disco donde est guardado una vez que se haya guardado. - Barra de herramientas: en la que se muestran extradas como botones las operaciones que suelen realizarse con mayor frecuencia. Puede salvarse el fichero ( save), cambiar la muestra seleccionada (sample), generarse nuevas series a partir de una ecuacin con otras variables ya creadas (genr), as como almacenar (store), recuperar (fetch) o borra objetos. - Lnea de status: en la que aparecern una serie de datos fundamentales que conviene tener siempre presentes: El rango especificado (range) y la muestra de ese rango activa en cada momento ( sample). Ambos parmetros pueden alterarse haciendo doble qlick sobre cada una de esas palabras. La ecuacin activa o default equation. Esta ecuacin podr ser especificada por el usuario o ser la ltima que hayamos estimado en cada momento. Gracias a este concepto de ecuacin activa, el EViews guarda memoria de la caractersticas de la ecuacin activa y as, podremos pedir al E-Views que realice contrastes de parmetros, pruebas, grficos rpidamente sin necesidad de recordarle continuamente qu ecuacin estamos analizando.
pg.10
Directorio de objetos: en donde se recogern todos los objetos con el nombre y un pequeo icono que identificar el tipo de objeto de que se trate:
En esta seccin de la pantalla que hace las veces de directorio de objetos, aparecern siempre por defecto dos elementos: Un vector de coeficientes representados por la letra alfa ( ) en el que se almacenarn, como en una hoja de clculo, los coeficientes de la ecuacin activa (default equation) y, en segundo lugar, una serie llamada resid destinada a almacenar los residuos de la ecuacin en memoria. Para salvar el fichero creado se utilizar el comando save accesible en distintas partes de la pantalla. La forma ms cmoda es utilizar directamente el botn save de la barra de herramientas de la ventana activa. Los ficheros de trabajo o workfiles de E-Views se guardarn en el directorio especificado con la extensin *.wf1. Debe tenerse en cuenta que este tipo de ficheros no es compatible con la antigua versin de este programa para MS-DOS o MAC (Micro TSP) que almacenaba los ficheros con extensin *.wf. Por esta razn, el E-Views permite grabar los ficheros con el formato antiguo aunque, obviamente, esto significar la prdida de muchos de los objetos contenidos en el mismo. Para terminar con este bloque de operaciones bsicas de puesta en marcha debe considerarse la posibilidad de querer abrir un workfile previamente grabado en un disco. Si es as, debe utilizarse la opcin Open del men principal File. En esta opcin, podemos ver como tambin pueden recuperarse antiguas extensiones de versiones anteriores del programa. I.H.- INTRODUCCIN DE SERIES EN UN FICHERO DE TRABAJO Obviamente, una vez creado un nuevo fichero de trabajo, el paso siguiente ser el de comenzar a introducir los datos de las series a analizar en el mismo. Puede decirse que, llegados a este punto, existen dos formas bsicas de introducir los datos: importarlos desde otro fichero de otro programa o del mismo E -Views en donde ya estn almacenados o teclearlos directamente en el programa E-Views. Obviamente, la importacin es generalmente la alternativa ms cmoda y rpida pero ocurre que, en ocasiones, los datos estn en soporte papel y hay que introducirlos manualmente. An as, es recomendable utilizar un programa puente para teclear los datos ya que resultar, sin duda, ms m anejable para esa tarea que el propio E -Views. Ese programa debe ser totalmente compatible con E -Views y cmodo como alternativa. Generalmente, ese programa puente suele ser una hoja de clculo como el Excel o Lotus. No obstante, vamos aqu a examinar las tres alternativas: importar desde otro programa, copiar desde otro workfile y introducirlos manualmente. Aprovecharemos as para observar algunos de los trminos que el EViews utiliza en relacin a las series de datos.
pg.11
I.H.1.- Introduccin manual de datos en E-Views. Una serie es un objeto y, por tanto, debe crearse utilizando el comando New Object del men principal Object: OBJECT NEW OBJECT
Hecho esto, deberemos especificar el tipo de objeto a crear que, en nuestro caso es una Serie. Es necesario adems teclear e nombre que daremos a esta serie (mximo 8 caracteres). No conviene apurar al mximo l los 8 caracteres de forma que, posteriores transformaciones de esa serie puedan mantener la raiz del nombre y sean fcilmente identificables. Supongamos, por ejemplo que queremos teclear el tipo de cambio peseta dlar 1980 1997 y que vamos a llamarle XRAT.
una vez aceptado, observaremos como en el directorio del workfile aparecer el objeto creado aunque, eso si, vaco. Para observar los datos de la serie si los hubiera (ahora veremos espacios vacos) debe hacerse doble quick sobre el objeto. La apariencia de la serie es la de una hoja de clculo: los perodos aparecen el marco lateral, el nombre de la serie encima del marco superior y los datos almacenados por grupos de 5 de izquierda a derecha en el interior de esa hoja. En la parte superior de la hoja irn apareciendo las fechas en las que se han modificado los valores de la serie lo cual resultar muy til para saber si la serie se ha actualizado convenientemente. En este espacio pueden adems teclearse notas. Por esta apariencia es por lo que esta vista de una serie se denomina SpreadSheet View. La idea es comenzar a introducir datos pero esto no puede hacerse directamente. Para introducir datos en la hoja debe activarse el modo edicin utilizando el botn Edit+/- de la barra de herramientas. Hecho esto si que pueden teclearse los nmeros sin problemas movindonos con libertad por cualquier celda de la hoja. En ocasiones tenemos que insertar un espacio por que olvidamos teclear un dato en mitad de la serie o eliminar un dato desplazando todos los dems una posicin por haber repetido alguno. En ese caso, utilizaremos las opciones Insert/Delete de la barra de herramientas. La introduccin de datos admite la notacin cientfica (p.ej: 1.2E+10) no requiere el separador de miles y, en principio, utiliza el punto como separador decimal. Si no se dispone de algn dato basta con dejar el espacio en blanco y el E-Views lo reconocer como missing value.
pg.12
Una vez termi nada la introduccin de datos simplemente cerramos el objeto y los datos quedarn almacenados. I.H.2.- Datos de varias series al mismo tiempo Si deseamos introducir los datos de varias series al mismo tiempo por resultarnos ms cmodo debemos utilizar la opcin Empty Group del men principal Quick. QUICK EMPTY GROUP
Si abrimos un grupo vaco veremos de nuevo algo similar una hoja de clculo pero en la que las distintas series ocupan columnas y el modo de edicin est operativo por defecto. El primer texto que se teclee en cada columna servir como nombre de las series y la introduccin de datos se lleva a cabo como si se tratara de una hoja de clculo. Cuando se ha terminado de teclear los datos se cierra la ventana activa del grupo y directamente las series quedan almacenadas individualmente en el fichero de trabajo. Slo en el caso de que se desee mantener el grupo de variables unidas en lo que se denomina un grupo, debe especificarse un nombre para el grupo antes de cerrarlo. En ese caso debe utilizarse la opcin Name de la barra de herramientas.
Con esta pantalla conservamos las variables unidas en un grupo.
I.H.3.- Introduccin de datos a partir de un fichero de otro programa Como hemos dicho previamente, la opcin ms rpida para introducir numerosos datos de series en un fichero de trabajo es importarlos desde un fichero de otro tipo compatible con E-Views. Dentro de las tres opciones bsicas posibles la ms interesante es la que permite importar datos de una hoja de clculo. Es importante recordar que antes de importar datos de una hoja de clculo debe estar creado previamente el fichero de trabajo en E -Views. Una vez que el fichero est creado debe ejecutarse la opcin Importar ficheros de Texto Lotus - Excel del men principal Fichero: FILE IMPORT Read Text-Lotus -Excel
Una vez activada esta opcin se nos preguntar el nombre, tipo y localizacin del fichero a importar mediante un cuadro clsico de Windows. Una vez localizado el fichero a importar (que obviamente debe estar cerrado
pg.13
en el programa original) se activar una pantalla donde debemos especificar algunos parmetros necesarios para que el E-Views entienda el fichero de Excel o Lotus. En esa pantalla debemos especificar la siguiente informacin: La forma en la que estn ordenadas las series en el fichero original de Excel o Lotus , es decir, si aparecen por filas o por columnas La celda superior izquierda que marca el comienzo de los datos en el fichero de Excel o Lotus. Si la primera columna est ocupada por los aos y la primera fila por los nombres de las series, la primera celda con datos ser la celda A2. Si el nombre de cada serie est escrito en el fichero original de Excel o Lotus bastar con indicarle al E-Views el nmero de series que componen el fichero; l mismo identificar el nombre de cada una y l utilizar para almacenarlo. Si el nombre de las series del fichero original de Excel o Lotus no est escrito en la primera fila debern escribirse todos los nombres en la parte inferior de la de ventana de E-Views separadas unas de otras por un espacio.
Gua de Manejo del programa E-Views.
Captulo II. pg.14
Para asegurase de que la operacin se realiza con xito conviene vigilar ciertos aspectos que pudieran pasar desapercibidos: El E -Views no puede reconocer el perodo al que corresponde cada dato, por tanto, el fichero de Excel o Lotus debe prepararse segn la periodicidad del workfile de E-Views. Si no se dispone de algn dato para algn ao en alguna serie basta con dejar en blanco la celda que corresponda. El E -Views no reconoce formatos de Excel 97 o W95 y, en general, todos aquellos que sean del tipo Libro/Hojas. Por tanto, los archivos de Excel que vayan a ser ledos con E -Views deben guardarse previamente en Excel con formato Hoja de Clculo Microsoft Excel 4.0 o inferior. El E -Views puede no leer correctamente datos en Excel que estn en formato de frmula en el fichero original. Conviene, por tanto, copiar como valores todos los datos en estos ficheros antes de ser ledos con E-Views. Como ocurre en general con cualquier programa, el E -Views no leer nombres que excedan los 8 caracteres de largo o que contengan espacios en blanco o smbolos especiales. Algunos nombres estn prohibidos por E -Views como, por ejemplo, el nombre C o RESID ya que son series originales que programa E-Views utiliza por defecto.
El procedimiento para importar un fichero de un formato texto ASCII es bsicamente el mismo. Los datos en el fichero ASCII pueden, igual que en el caso de Excel o Lotus prepararse en filas o en columnas y los nombres de las series pueden acompaar a esos datos igual que en el caso anterior. I.H.4.- Introduccin de datos procedentes de otro fichero de E-Views Suele ser habitual el intercambio de informacin entre dos workfiles de E-Views. E -Views utiliza un formato propio de almacenamiento de informacin que resulta muy til puesto que conserva para cada objeto algunas de las propiedades que, almacenado en otro formato, se perderan. No slo pueden almacenarse series en este formato de E -Views sino cualquier otro tipo de objeto de E Views. Cada uno de ellos puede ser reconocido fcilmente por la extensin que tendr el fichero donde quedar guardado el objeto. Estas extensiones sern: .DB .DBE .DBM .DBG .DBR .DBT .DBV .DBL .DBS para series para ecuaciones para matrices o vectores de coeficientes para grficos para grupos de variables para tablas para vectores autorregresivos para modelos para sistemas completos
Cada uno de los objetos que se deseen almacenar desde un workfile se guardar separado y cada uno de ellos ser, por tanto, recuperable individualmente. Los comandos para almacenar objetos con formato *.db? o recuperar objetos con formato *.db? son, respectivamente STORE y FETCH. Para almacenar una serie en formato *.db desde un workfile la opcin ms rpida es marcar el elemento o elementos a guardar y presionar el botn de la barra de herramientas store. El E -Views ir confirmando uno a uno si se desean almacenar los objetos e ir mostrando el nombre del fichero que utilizar para cada uno de ellos.
Captulo II. pg.15
Con esta pantalla almacenamos la serie XRAT con formato .DB Si queremos almacenar un objeto, por ejemplo una serie, con otro nombre del que estamos usando en el workfile o simplemente en un directorio diferente al que est en uso, deberemos utilizar la opcin Object/Store As del men principal. Obviamente, si almacenamos separadamente un conjunto de series, cada una se guardar como un fichero y a la hora de recuperarlas tendremos, tambin, que recuperarlas como ficheros independientes. Existe una forma, sin embargo, se guardar un conjunto de series con formato E -Views de una sola vez de forma que, adems, pueda ser recuperado el grupo entero tambin de una sola vez. Para almacenar un grupo de series en formato E -Views y que stas permanezcan unidas para su recuperacin simultanea deben estar agrupadas en un grupo en el workfile de origen. Si no estn agrupadas y se desean agrupar basta con marcar las series y a continuacin ejecutar: OBJECT NEW OBJECT GROUP
Una vez agrupadas las variables, desde la ventana activa del grupo se solicita la opcin Objects/Store y se especifica un nombre. Todas las series quedan almacenadas en un fichero nico con extensin .DBG. La ventaja es que, al recuperar este fichero en otro workfile, se recuperar no solo el objeto grupo sino adems cada una de las series individualmente. Para recuperar un objeto almacenado previamente en formato E -Views el comando ahora ser Fetch ejecutado desde cualquier pantalla activa segn el objeto a recuperar. I.H.5.- Otras operaciones bsicas con series Antes de cerrar este captulo introductorio vamos a repasar otras acciones bsicas que suelen resultar necesarias al inicio de la creacin de un fichero de trabajo. Para borrar una o varias series (o en general objetos) se marcan todas ellas y se ejecuta la opcin Delete del men Objects. Puede utilizarse directamente el botn de la barra de herramientas de la ventana activa del workfile. No hay que confundir esta opcin con la que aparece de borrado en el men Edit ya que esta se utilizar, no para borrar objetos, sino el contenido de los mismos cuando se estn editando. Para cambiar el nombre a una serie ( o en general a un objeto) se activa la serie y se utiliza la opcin name de la barra de herramientas de la ventana activa. Para generar una serie como expresin de otras se ejecuta el comando Generate Series del men principal de procedimientos procs. Esta opcin aparece adems como botn en la barra de
Captulo II. pg.16
herramientas de la ventana del workfile . Una vez que se ejecuta la orden se abrir una ventana en la que debemos especificar la ecuacin y el perodo para el que queremos generar esa nueva serie:
Con esta pantalla se est generando entre 1980 y 1997 la tasa de crecimiento de la variable XRAT. Existen multitud de operadores, expresiones y frmulas aplicables en este caso y su utilizacin resulta muy prctica para computar series sencillas a partir de la informacin disponible.La expresin utilizada para generar una variable queda siempre almacenada en la etiqueta Resulta muy til etiquetar una v ariable de forma que podamos anotar ciertas caracterticas a recordar de la misma. Si queremos editar la etiqueta de una variable para aadir o borra informacin debemos activar la variable y ejecutar la opcin View Label a partir de la barra de herramientas.
Captulo II. pg.1
CAPTULO II
Tratamiento bsico de Series Estadsticas. Introduccin al Procedimiento de Regresin.
II.A.- OBJETIVOS Y CONTENIDOS DE ESTE SEGUNDO CAPTULO
El objetivo de este segundo captulo consiste en abordar progresivamente algunos de los procedimientos de transformacin de series de datos y anlisis estadstico ms sencillos, toda vez que se suponen aprendidos los conceptos mnimos necesarios para arrancar con el programa E -VIEWS. Dentro de las mltiples operaciones de manipulacin de datos que pueden realizarse cmodamente en E-VIEWS, vamos a prestar especial atencin en este captulo a aquellas que permiten especificar y estimar correctamente un Modelo Bsico de Regresin Lineal. Con total seguridad, el analista que se enfrenta a la etapa de estimacin de un modelo bsico de regresin lineal deber cocinar las series de datos elegidas y recolectadas en bruto de las fuentes estadsticas, durante la anterior etapa de especificacin. As, probablemente el analista se ver en la obligacin de generar alguna magnitud monetaria en constantes a partir de deflactores y datos en corrientes, deber calcular las tasas de variacin a partir de series en niveles o encontrar til un examen grfico preliminar de la evolucin temporal de las series consideradas. Por tanto, difcil ser evitar un anlisis previo que incluir, la mayor parte de las ocasiones, sencillos procedimientos de anlisis grfico de las series, su transformacin en tasas, logaritmos, etc, o, por ejemplo, un simple anlisis p revio de correlaciones entre variables explicativas y endgena: El anlisis grfico permite estudiar visualmente la evolucin de las variables consideradas en el perodo histrico detectando comportamientos cclicos, tendenciales, estacionales o, en muchas ocasiones, puntos atpicos (puntos de valor extraordinariamente grande o pequeo con relacin al valor promedio de la serie). La transformacin de variables ser necesaria en muchas ocasiones ya que pocas veces la especificacin seleccionada para nuestro modelo nos permitir utilizar los datos en su estado natural. El anlisis previo de correlaciones puede servir, por una parte, como tosca aproximacin previa a la posible existencia de relacin entre la variable a estudiar y las explicativas elegidas y, por otra, para la deteccin prematura de posibles problemas de multicolinealidad, es decir, de excesiva y perjudicial relacin entre las variables exgenas incluidas en la especificacin ( s adelante se detallar el m significado de este concepto y los procedimientos necesarios para su deteccin).
Estas y otras transformaciones similares que caracterizan todo proceso previo a la estimacin de los parmetros de un MBRL no podrn realizarse a menos que se tengan una serie de ideas claras en cuanto a la forma que debe utilizarse EVIEWS para operar con una o varias series. A recordar.... El captulo abordar los procedimientos de anlisis simple y transformaciones bsicas de series necesarios para poner en marcha la correcta especificacin y estimacin de un MBRL. Para su correcto aprovechamiento es imprescindible haber asimilado el manejo bsico del programa comentado en el captulo anterior.
Captulo II. pg.2
II.B.- GRFICOS DE SERIES EN E-VIEWS

En E-VIEWS resulta extremadamente sencillo obtener informacin b sica preliminar de una serie as transformar una serie original segn distintos procedimientos. Debe recordarse que, en trminos de E-Views, una serie es un OBJETO. Por tanto, para obtener informacin sobre una serie de datos o realizar alguna transformacin o procedimiento sencillo sobre la misma, parece lgico editar (abrir) el objeto a analizar (la serie ) haciendo doble clic sobre el nombre de la misma en el Work File. Una vez editada una serie, el men de objeto que se despliega en su parte superior permite realizar toda clase de operaciones sencillas.
II.B.1.- Cmo representar grficos de series individuales

El men (views) de la serie editada, permite observar la serie en distintos formatos: tipo hoja de clculo, representaciones grficas diversas ,etc. Los grficos de EVIEWS disponibles para representar series individuales son, en principio, de dos tipos: de lnea o de barras (aunque veremos ms adelante que. En la ilustracin siguiente se muestran ambos para una determinada serie: Diferentes vistas (Views) para una misma serie de datos Formato de LNEA Formato de BARRAS
Una vez seleccionado uno de los tipos de grfico para una determinada serie, puede cambiarse de un tipo a otro pulsando, en la ventana activa del grfico, los botones Bar/Line de la barra de tareas. Los grficos, una vez en pantalla, no pueden salvarse como objetos ya que, en realidad ya lo son: se trata de series en vista de grfico. Existe, no obstante, la posibilidad de guardarlos como un objeto congelado. La utilidad de esta operacin es la de conservar una fotografa del grfico, de modo que este grfico pueda conservarse invariable, independientemente de que la serie representada cambie alguno de sus valores posteriormente. Esta operacin se realiza con el comando freeze, especificando despus un nombre para el nuevo objeto (congelado) creado. El comando freeze puede, en general, aplicarse del mismo modo a cualquier otro objeto abierto.
II.B.2.- Cmo representar grficos de varias series

Evidentemente, el EVIEWS permite representar simultneamente ms de una serie. Suele ser habitual, en efecto, representar conjuntamente dos o ms series en un mismo grfico, casi siempre con el objeto de comparar lo similar o diferente de su evolucin temporal. As, por ejemplo, y de modo slo aproximativo, la evolucin comprada de la variable endgena y las explicativas puede ser suficientemente expresiva como para revelar la causalidad entre unas variables y otras, anticipando resultados en el anlisis previo de un procedimiento de regresin. Para representar dos o ms series deben seleccionarse primero las series de inters en la ventana del workfile. Para ello, deben marcarse las series, una a una, manteniendo pulsada la tecla CTRL y, una vez
Captulo II. pg.3
marcadas, abrir el men contextual del ratn ( otn derecho). En ese men contextual encontraremos la a b opcin Open Group. 4 Series marcadas simultneamente dispuestas a ser abiertas con la opcin Open Group
Una vez abierto el grupo de series, usaremos de nuevo la opcin View Graph de la barra de herramientas de la ventana del grupo activa, consiguindose as un grfico simultneo en el que cada serie aparecer representada por un color. La opcin Multiple Graph del mismo men, permitir ver en una misma pantalla, los grficos separados de las series seleccionadas 2 Series representadas simultneamente
II.B.3.- Opciones de grficos

Existen muchas opciones que permiten modificar el aspecto de cada grfico de modo individual. Para activarlas, basta con hacer doble clic en cualquier parte del rea del grfico que se est visualizando en un momento dado.
Captulo II. pg.4
Men de opciones de grfico
La modificacin ms habitual, consiste, por ejemplo, en cambiar el tipo de grfico representado. Las opciones son: Line graph - Grfico de lnea: en el que cada punto se une al siguiente con una lnea. Stacked Line Lnea acumulada: en el que cada lnea representa los valores de una serie acumulados sucesivamente (el ltimo punto representado es la suma de todos los valores de la serie). Bar Graph- Grfico de barras: en el que cada valor de la serie se representa con una barra vertical Stacked Bar Barras acumuladas: en el que cada barra representa los valores de una serie acumulados sucesivamente (la ltima barra representa la suma de todos los valores de la serie). Mixed Bar & Line Grfico mixto de barras y lneas: en el que la primera serie se representa como una barra y las siguientes como lneas. Scatter Diagram Grfico de Dispersin: en el que el eje horizontal del tiempo es sustituido por el de la primera serie, de forma que cada punto del grfico representa una coordenada formada por los valores de las dos series representadas. Este tipo de grfico resulta de gran utilidad cuando quiere representarse la clsica nube de puntos de regresin que aproxima la eventual relacin entre dos variables para las que se supone una determinada relacin. Pie Graph Grfico de Tarta: en el que cada observacin es representada como una tarta, siendo los sectores de cada una de esas tartas los valores de cada serie para esa observacin. El valor de cada serie se representa, por tanto, como la aportacin proporcional de esa serie al valor suma de todas ellas. Adems del tipo de grfico, pueden cambiarse algunos atributos de los grficos en la columna izquierda del cuadro de dilogo. Cada atributo puede ser activado o desactivado marcando la casilla correspondiente con el ratn. 1 Puede quitarse el marco gris (box) que rodea el grfico y poner el mismo dentro de ella, puede colocarse una leyenda del nombre de cada serie representada, colocar lnea verticales u horizontales, representar la vertical del valor cero o usar el color, cuando las opciones grficas lo permitan, para distinguir una serie de otra..
Captulo II. pg.5
1 As mismo, puede cambiarse la apariencia de las lnea o barras en un pequeo cuadro de dilogo que aparece en la parte inferior. En la parte central del men de opciones se agrupan las siguientes opciones: 1 En ocasiones interesar un segundo eje de ordenadas para representar dos o ms series. Si se elige la opcin de doble eje, el EVIEWS representar la primera de las series en el primero de los ejes y el resto en el segundo eje. Esta opcin puede resultar interesante en el caso de que las series vengan representadas por valores medidas en escalas muy diferentes. 1 Dentro de la opcin de doble eje, ambos ejes pueden configurarse de forma que las dos series representadas no se crucen, o que s lo hagan. 1 Las opciones de escala del grfico permiten alterar ciertos parmetros del eje izquierdo como forzar a que aparezca el valor cero en el eje, transformar los valores del eje a una escala logartmica o normalizar los datos de las series representadas (opcin muy til para representar dos series con medidas muy diferentes en un solo eje vertical). 1 Adems podemos especificar manualmente el menor y el mayor valor de cada eje (incluso en un segundo eje de ordenadas). Una serie de opciones sencillas controlan, en la parte derecha de este cuadro de dilogo, la forma en que aparecern representadas lneas, barras, grficos de dispersin o secciones del grfico de tarta: 1 En las opciones de lnea del grfico puede aadirse, algn atributo especial o smbolo entre observaciones, a la lnea con que se representa cada serie. 1 En las opciones de barra del grfico puede aadirse la leyenda del valor de la serie sobre o dentro de cada barra representada, as como eliminarse el espacio que separa por defecto unas barras de otras. 1 En las opciones para el diagrama de dispersin puede unirse cada punto del diagrama con una lnea o representarse sobre la nube de puntos del diagrama la lnea de regresin hipottica. Esta lnea, vendra a ilustrar la recta de regresin lineal estimada por Mnimos Cuadrados Ordinarios de la variable representada en el eje de ordenadas en funcin de la variable representada en el eje de abscisas. 1 En las opciones disponibles para el grfico de tarta puede aadirse, cerca de cada sector del grfico, una leyenda conteniendo el valor de la serie representado. A recordar.... El anlisis grfico de las series involucradas en un anlisis cuantitativo es siempre recomendable como etapa de toma de contacto con la informacin. Este anlisis permite observar a vista de pjaro el comportamiento global de las series as como algunas peculiaridades puntuales que escaparan a simple vista al observar los datos de las mismas. El E-Views no es un programa de enorme potencial para la representacin grfica pero, al menos, permite la representacin grfica de una o ms series en grficos individuales o simultneos. Las opciones que, por defecto, definen el aspecto de un grfico en E-Views pueden alterarse con sencillez en una nica pantalla de opciones de grfico.
II.C.- OBTENCIN DE ESTADSITICOS BSICOS DE UNA SERIE
Captulo II. pg.6
II.C.1.- Estadsticos bsicos de series individuales

Obtener los estadsticos descriptivos bsicos de cualquier serie de datos es muy simple en E-Views. As, una de las opciones de vista (view) de cualquier serie individual es, precisamente, la de histograma y estadsticos (Histogram & Stats). Si ejecutamos esta opcin podremos observar en una misma pantalla el histograma de frecuencias de la serie y algunos estadsticos bsicos: Histograma de frecuencias y estadsticos bsicos de una serie (BTRDOL en el ejemplo)
Como es bien sabido, el histograma de frecuencias representa grficamente la distribucin de frecuencias de los valores de la serie. Esta representacin tiene en general poco sentido para seriee temporales en las que, habitualmente, no suelen repetirse valores en distintos perdoos a lo largo de la muestra considerada. Por ello, el EVIEWS genera unos intervalos de igual extensin y representa con barras el nmero de ocasiones en las que la serie toma valores comprendidos en cada uno de estos intervalos. Este histograma por intervalos admite las modificaciones comentadas en el apartado general referidas a las opciones de grfico exceptuando que slo puede representarse en tipo barras. Los estadsticos descriptivos ofrecidos a la derecha del histograma son conceptalmente muy sencillos y fciles de interpretar. Aparecen en primer lugar dos medidas de tendencia central de la serie: La media (mean)de la serie, calculada como promedio aritmtico. La mediana (median) de la serie; es decir, aquel valor que separa los valores de la serie en dos conjuntos de igual densidad de frecuencias. En el caso de una serie temporal representada por intervalos, se toma como mediana la marca de clase del intervalo mediano, convenientemente desplazada segn la mayor o menor carga a izquierdas y a derechas del mismo.
A continuacin se muestran dos aproximaciones a la dispersin de la serie respecto a sus valores centrales: serie: El valor mximo y mnimo de la serie La desviacin tpica (Std.Dev) de la serie (raz de la varianza de la serie)
Ms adelante se muestran algunos clculos que ayudan a valorar la normalidad estadstica de la
Captulo II. pg.7
La simetra de la serie (Skewness) con respecto a su media es un clculo sencillo (que utiliza el momento de orden tres con respecto a la media as como el cubo de la desviacin tpica de la serie). Esta expresin toma el valor cero en el caso de una distribucin perfectamente simtrica (con igual densidad de frecuencias a izquierda y derecha de la media). Valores postivos indican asimetra a derechas respecto a la normal y valores negativos asimetra a izquierdas.
S =
(x i
i= 1
x n
3
)3
La curtosis (Kurtosis) de una serie indica si su distribucin de frecuencias es ms aplanada o ms apuntada que una distribucin normal, es decir, si alrededor de la media se concentran ms o menos valores que en el caso de una normal y por tanto sus colas son ms o menos estrechas. La curtosis de una serie puede calcularse utilizando el momento de orden cuatro con respecto a la media y la potencia cuarta de la desviacin tpica de la serie. Para una distribucin normal el valor de este coeficiente de curtosis es 3 (distribucin mesocrtica). Valores superiores a 3 indican un apuntamiento mayor que el de una distribucin normal (distribucin leptocrtica) y valores inferiores a 3, un apuntamiento menor (distribucin platocrtica) .
K =
(x i
i=1
x n
4
)4
A partir de ambas medidas, simetra y curtosis, puede elaborarse un contraste paramtrico de normalidad de la serie que se denomina contraste de Jarque Bera. La idea del clculo se apoya en comparar simultneamente los valores obtenidos para los coeficientes de simetra y curtosis con los de referencia para una normal. La ventaja del clculo es que su resultado permite contrastar la hiptesis nula de que la serie se distribuye como una Normal ya que esta expresin (JB) se distribuye como una 2 con dos grados de libertad.
JB =
n k S 6
1 ( K 3 )2 4
El trmino k minscula se refiere al nmero de variables exgenas utilizadas, cuando este test se usa para contrastar la normalidad de los residuos de una determinada regresin y toma el valor 0 cuando contrastamos la normalidad de una serie individual. El valor de la probabilidad ofrecido por E -views, se entiende como el nivel de significacin asociado al rechazo de la nula: valores pequeos para esa probabilidad (inferiores a 0,05 0,1) indicaran, por tanto, ausencia de normalidad en la distribucin de valores de la variable analizada. Los estadsticos de normalidad de una serie son comnmente utilizados en el contexto de la validacin de un modelo bsico de regresin, ya que la normalidad de las variables (en especial de la perturbacin aleatoria) es una de las hiptesis bsicas sobre la que se apoyan las buenas propiedades de los procedimientos de estimacin e inferencia. Una vez ms debe recordarse que esta salida, histograma y estadsticos, pueden ser almacenados de modo independiente de la serie como un objeto congelado utilizando el comando freeze.
I.C.2.- Estadsticos para grupos de series
Captulo II. pg.8
Adems de la informacin suministrada individualmente para cada serie, podemos solicitar informacin que afecte a dos o ms series simultneamente. Para ello, debemos primero crear el grupo de variables a analizar, o bien simplemente marcar las distintas series y abrirlas simultneamente, tal y como se describi en el anterior apartado II.B.2. Una vez abierto el grupo, tenemos cuatro opciones bsicas de vista (view) que ofrecen informacin estadstica: 1 Descriptive Stats, o sea estadsticos descriptivos para cada una de las series del grupo. No se incluye el histograma de frecuencias como en el caso del anlisis individual. El EVIEWS permite obtener los estadsticos de las series slo para aquellas observaciones en las que todas las series tengan valores (Common Sample) o aprovechando individualmente el nmero de observaciones que tenga cada una de ellas (Individual Sample). Con cualquiera de las opciones aparecen los mismos estadsticos comentados en el anterior apartado para el caso del anlisis individual. 1 Test de igualdad (Test of Equality) 1 Anlisis de tabulacin cruzada (N-Way Tabulation) 1 Anlisis simple de correlacin (Correlations) 1 Anlisis de covarianzas (Covariances) 1 Test de Causalidad de Granger (Granger Casuality Test) Estas ltimas posibilidades se comentan con ms detalle en el apartado siguiente. A recordar.... El anlisis preliminar de las series a utilizar en cualquier ejercicio cuantitativo puede completarse en E-Views con el clculo de sus estadsticos bsicos de tendencia, dispersin y normalidad. El clculo de estadsticos bsicos puede realizarse para una serie individual o para un grupo de series.
II.D.- ALGUNAS OPERACIONES PREVIAS CON SERIES DE DATOS DE CARA A LA REALIZACIN DE UN ANLISIS DE REGRESIN
Las opciones enunciadas en la parte final del apartado anterior tienen una clara utilidad. Todas ellas inciden en el conocimiento de la fortaleza y calidad de la relacin existente entre dos o ms variables por lo que r sultan de gran ayuda de cara a ir recogiendo informacin relevante para un anlisis de regresin e posterior entre las mismas. 1 Test de igualdad (Test of Equality). Esta clase de tests, muy habituales en estadstica, nos permiten contrastar la igualdad en media, mediana o varianza de un grupo determinado de series respondiendo a preguntas del tipo: tendrn hombres y mujeres el mismo salario medio?, presentarn el PIB espaol y alemn una media de crecimiento similar en el perodo analizado?, presentarn el IBEX 35 y el DOW JONES una dispersin similar a lo largo del perodo de anlisis?. Para realizar un contraste de igualdad de medias, medianas o varianzas, basta con marcar en un mismo grupo las series de inters y, una vez abierto el grupo, solicitar el anlisis en la opcin View Test of Equality . Men del Test de Igualdad
Captulo II. pg.9
Para testar la igualdad en media E-Views aplica un contraste F- ANOVA muy simple. Este test, se basa en comparar primero las medias particulares de cada variable con la media global para todas las series generando as la llamada Variacin Entre - Grupal (between). Una vez computada la variacin Entre - Grupal, se genera la variacin Intra Grupal (within) comparando los valores de cada serie con la media de esta. En la medida en que las medias de las series son iguales, la variacin entregrupal tiende a ser mnima en tanto que la intragrupal crece. El test F presentado por E-Views contrasta la H0 de igualdad en medias por lo que, valores elevados del test (o pequeos del nivel de significacin) invitan al rechazo de la nula. Resultado para un anlisis de igualdad de medias para el Crecimiento de la Poblacin Activa Masculina y Femenina 70 - 00: Los valores de los estadsticos muestran cmo en todos los casos No puede rechazarse la nula de igualdad de medias
Para testar la igualdad en mediana (algo menos interesante), E-Views ofrece varios tests no paramtricos sobre la H0 de que todas las series consideradas presenten igual mediana frente a la alternativa de que al menos una de ellas tenga mediana diferente. Dada la escasa utilidad de un contraste de mediana en nuestro contexto especfico, enumeraremos simplemente los mtodos de anlisis: Mann-Whitney U-test y su aproximacin normal a una distribucin U-Statistic, Kruskal-Wallis one-way ANOVA por rangos y su aproximacin normal a una 2 (generalizacin del Mann-Whitney test para ms de dos series), Test Van der Waerden (anlogo a Kruskal-Wallis test aunque levemente mejorado contra la presencia de puntos atpicos), Test ANOVA 2 para la mediana (tambin conocido cono Test Mediana se basa en la comparacin del nmero de observaciones por encima y debajo de la mediana y se presenta con correccin de continuidad de Yates y sin ella) Para testar la igualdad en varianza, E-Views propone algunos tests de entre los ms conocidos. El test F slo se muestra para el caso de dos series y se basa en computar el ratio entre la varianza mayor de las dos (L) y la menor (S), ratio que se distribuye como una F con nL-1,nS -1 grados de libertad para la nula de igualdad de varianza. El test Siegel-Tukey tambin se muestra slo para el caso de dos series y se computa segn el procedimiento Mann-Whitney comentado para testar la igualdad en mediana aunque con diferente asignacin de rangos. El test de Bartlett (y su ajuste por ausencia de normalidad) compara el logaritmo de la varianza media ponderada con la suma ponderada de logaritmos de las
Captulo II. pg.10
varianzas; bajo la hiptesis nula de igualdad de varianzas el test es aproximadamente una 2. El test de Levene se basa en un anlisis ANOVA sobre las diferencias de las medias en valor absoluto. El test Brown-Forsythe (o Levene modificado)es una modificacin del test de Levene en el que se remplaza el valor absoluto de la diferencia de medias con el de las diferencias de las medianas. Resultado para un anlisis de igualdad de varianzas: Los valores de los estadsticos muestran cmo en todos los casos debe rechazarse la nula de igualdad de varianzas
A recordar.... El E-Views permite realizar tests de igualdad de medias, medianas y varianzas para un conjunto de series determinado. Estos test resultarn de utilidad al econmetra para asegurar el cumplimiento de ciertas hiptesis de partida sobre homogeneidad en media y/o varianza de las series involucradas en el anlisis.
1 Anlisis de tabulacin cruzada (N-Way Tabulation): Este anlisis, clsico entre las tcnicas multivariantes ms sencillas, sirve: Para organizar informacin relativa a dos factores considerados conjuntamente; un factor es una variable cualitativa, es decir, discreta, medida por tanto generalmente en escala nominal. Por otro lado, la tcnica permite adems contrastar la dependencia o independencia entre los factores considerados. Podr intuirse que este procedimiento no tiene especial sentido en el caso de disponer de variables de tipo continuo, es decir, medidas en escala de intervalo o razn como las que generalmente manejaremos en el anlisis de regresin. La razn es que, en esos casos, existen tcnicas ms perfeccionadas para la exploracin conjunta de la relacin existente entre ambas variables . Por esta razn, en caso de solicitar al EVIEWS un anlisis N-Way para variables continuas, ste dividir los valores de las variables en intervalos a fin de transformarlas en variables categricas. Por la razn comentada en el prrafo anterior, no se explicar en este texto el detalle del anlisis N-Way realizado por E-Views. Baste decir, bsicamente, que E-Views presenta en los resultados: una tabla de contingencia de doble entrada que muestra la distribucin conjunta de los valores de cada par de variables analizadas
Captulo II. pg.11
dos tests (Pearson 2 y Likelihood Ratio G2) para el contraste de la H0 de independencia entre las variables seleccionadas. tres medidas de asociacin es decir, de intensidad de la eventual dependencia entre las variables (Coeficiente Phi, V de Cramer y Coeficiente de Contingencia ) 1 Anlisis simple de correlacin (Correlations). El E-Views permite observar el coeficiente de correlacin simples para cada par de variables seleccionadas en el grupo. Este coeficiente vara entre -1(correlacin perfecta y negativa) y +1 (correlacin perfecta y positiva). Un anlisis preliminar de estos coeficientes resulta interesante para determinar tres cuestiones previas a un anlisis de regresin multivariante: Los coeficientes de correlacin simple entre endgena y cada una de las exgenas permiten anticipar si la variable endgena guarda una relacin, a priori, con las variables que van a utilizarse en el anlisis de regresin. Si las correlaciones son altas, esto supone una cierta garanta de xito de la posterior regresin mltiple en la medida en que toda relacin de causalidad entre dos variables suele manifestarse con elevadas correlaciones entre ellas. No obstante, debe sealarse (1) que, si bien un bajo coeficiente de correlacin suele indicar ausencia de causalidad un coeficiente de correlacin elevada NO implica causalidad segura y (2) que, incluso en el caso de ausencia de correlacin individual entre una exgena y la endgena, no debemos rechazar esa variable como explicativa, ya que la naturaleza multivariante de la regresin considera la relacin mltiple entre el conjunto de variables explicativas y la variable endgena, una relacin mltiple que, en ciertos casos, puede ser elevada an cuando las correlaciones individuales no lo sean. Los coeficientes de correlacin simple entre endgena y cada una de las exgenas permiten anticipar si los signos de la relacin simple entre la variable endgena y cada una de las explicativas es, a priori acorde con lo esperado desde el punto de vista conceptual. En cierto modo, un signo incorrecto en la correlacin entre una variable explicativa y la endgena debe representar una llamada de alerta. Sin embargo, conviene recordar, una vez ms, que lo que interesa a la regresin mltiple es el signo de cada variable en el contexto de la causalidad mltiple y ese signo puede no coincidir, para cada variable, con el signo exhibido en la relacin individual. Los coeficientes de correlacin simple entre endgena y las exgenas consideradas, permiten detectar problemas posteriores de multicolinealidad en la estimacin de la ecuacin. 1 Anlisis de covarianzas (Covariances) Covariances o covarianzas, entre cada par de variables del grupo. La covarianza es un concepto similar a la correlacin pero afectada por las unidades de medida de las variables consideradas. (a mayores unidades de medicin de las variables consideradas, mayor valor de la covarianza). Sin embargo, en mltiples ocasiones el dato de la covarianza entre series es necesario para desarrollar clculos de inters en el contexto de un anlisis cuantitativo. 1 Test de causalidad de Granger (Granger Causality Test). El test de causalidad de Granger es ampliamente conocido en la prctica economtrica ya que permite identificar de forma rpida relaciones de causalidad1entre las variables explicativas y la variable a explicar. El objetivo terico de este test es determinar si una variable X causa a otra variable Y. El procedimiento que se utiliza es sencillo, especificada la variable X y la variable Y se realiza la regresin de la variable endgena Yt sobre su propio pasado, es decir, Yt-1, Yt-2, Yt-3, sobre la variable Xt y una serie de valores retrasados de la misma, es decir, Xt-1, Xt -2, Xt -3, etc. Una vez realizada esta la regresin, se determina si resulta ms fcil predecir el futuro de la variable Y con este instrumento de lo que resultara estimado Yt exclusivamente en funcin de su pasado sin conocer su relacin con X: dicho de otro modo, se analiza si la variable X actual y pasada aporta informacin valiosa para explicar el futuro de Y (se dice, en ese caso que X es causa Granger de Y) Para realizar este test en E-Views, debe seleccionarse la opcin Granger Causality del men Views de la ventana del grupo activo. E -Views nos preguntar el nmero de retardos de la endgena y 1 Como se comentar ms adelante no es tan fcil asimilar el concepto de causalidad Granger a la existencia real de dependencia entre las variables.
Captulo II. pg.12
exgena que queremos incluir en la regresin. A este respecto, la eleccin debe realizarse atendiendo a criterios puramente conceptuales procurando, eso si, no quedarse demasiado corto, ya que, siempre que se cuente con un nmero elevado de observaciones, el test de Causalidad de Granger es ms defendible cuanto mayor se el nmero elevado de retardos incorporados. Una vez seleccionado el nmero de retardos a considerar, E- Views realiza automticamente las distintas regresiones que completan la idea del test expuesta anteriormente y muestra el resultado. Debe observarse que E- Views muestra el test de causalidad en ambas direcciones X como causa Granger de Y e Y como causa Granger de X La hiptesis que se contrasta es que los coeficientes de las regresiones de Y sobre X as como los de X sobre Y son nulos para la variable de apoyo, es decir, que la variable X no aporta informacin para explicar a Y o bien que Y no aporta informacin para explicar X. Si el valor del estadstico de referencia F supera el valor tabulado se rechazar la hiptesis nula y por tanto se aceptar que X causa a Y o viceversa. En la ilustracin que aparece en este ejemplo, X causara a Y segn el concepto de causalidad de Granger aunque la relacin inversa no se producira. Resultado para un anlisis de Causalidad de Granger: El valor de los estadsticos muestran que X es causa Granger de Y (al menos al 9,6% de nivel de significacin) mientras que y no es causa Granger de X
El problema de este test, es que la correlacin no implica necesariamente causalidad en el sentido en el que se conoce generalmente. Son comunes los ejemplos de altas correlaciones de carcter esprio o casual pero no causal. El test de causalidad de Granger utiliza un concepto ampliado de correlaciones para encontrar causalidades. Por tanto, a pesar de un resultado positivo del test de Granger, nunca debe concluirse que si X causa a Y la variable Y sea el efecto de la variable X.
Captulo II. pg.13
A recordar.... La exploracin de las relaciones entre las variables implicadas en un anlisis cuantitativo es de una indudable utilidad: permite aproximar el signo y la fortaleza de las potenciales relaciones de causalidad y anticipa problemas de multicolinealidad entre exgenas. El E-Views incorpora algunos procedimientos encaminados al anlisis de relaciones entre variables: N-Way Tests, Correlaciones, Covarianzas y Test de Causalidad de Granger. El conocimiento de estos procedimientos nos ayudar a caracterizar la naturaleza del conjunto de variables utilizadas en un procedimiento de regresin facilitando su utilizacin posterior. El manejo solvente de cada uno de los procedimientos antes mencionados pasa necesariamente por el conocimiento de su formulacin y propiedades estadsticas. No obstante, el E-Views permite, de manera sencilla, la utilizacin prctica aproximada de todos ellos: basta, en realidad, con conocer la hiptesis nula utilizada en cada contraste para aplicar las nociones mnimas de contraste de hiptesis y obtener conclusiones preliminares.
II.E.- INTRODUCCIN A LA ESTIMACIN DE ECUACIONES CON EVIEWS

Sin perjuicio de que, en el siguiente captulo, se analicen con detalle los principales procedimientos que conlleva un anlisis de regresin completo, vamos a repasar ahora el procedimiento bsico para la creacin de una ecuacin y algunos de los resultados ms inmediatos.
II.E.1.- Creacin de un objeto ecuacin

Una ecuacin es, al igual que una serie o un grfico, un objeto de EVIEWS. Una vez creado por vez primera tendr, como el resto de objetos, varios formatos de vistas y podr ser sometida, como el resto de objetos, a una serie de procedimientos particulares. Una ecuacin se crea la primera vez que se estima, una vez creada . Para crear por primera vez una ecuacin, o sea, para estimar una ecuacin con EVIEWS existen, en principio, varios procedimientos operativos alternativos:
1
El primero de ellos consiste en crear un grupo con las variables, exgenas y endgena, involucradas en la regresin. Una vez creado el grupo, la regresin ser uno de los procedimientos bsicos accesibles en la barra de herramientas del grupo. El segundo consiste en utilizar, en la pantalla de comandos, la sintaxis de la vieja versin de EViews (Micro TSP) para generar la ecuacin de regresin. Por ejemplo, para ordenar una regresin del Consumo Privado en pesetas constantes del ao 86 (CP86) en funcin de un trmino independiente C , el Deflactor del Consumo Privado (PCPI) y la Renta Disponible de los Hogares en pesetas constantes (YDH86) la sintaxis de Micro TSP sera: Seccin de la ventana de sintaxis de comandos en E-Views
El tercero, y ms habitual, es crear un objeto nuevo utilizando los comandos Object/New Object/Equation. Una vez ejecutado este comando, el E-Views nos solicita un nombre para el nuevo objeto (para la ecuacin ) que en nuestro ejemplo puede ser QCP86.
Captulo II. pg.14
Ventana para la creacin de un nuevo objeto
II.E.2.- Ventana de estimacin de ecuaciones

Una vez que hemos dado nombre a la nueva ecuacin, accederemos a un cuadro de dilogo en el que el programa EVIEWS ofrece diversos parmetros relacionados con la estimacin de ecuaciones. Ese cuadro de dilogo es el que se muestra a continuacin: VENTANA DE ESPECIFICACIN
VENTANA DE CONFIGURACIN En la primera ventana, la ventana de especificacin de la ecuacin, es donde debe especificarse el conjunto de variables explicativas a utilizar. A este respecto debemos sealar los siguientes aspectos: El orden en el que deben introducirse las variables es: en primer lugar el nombre de la endgena seguido de la lista de explicativas separadas, unas de otras, por un espacio en blanco. El trmino independiente se especifica con la letra C por tanto no puede asignarse este nombre a ninguna otra variable Pueden incluirse frmulas u operadores sencillos en la ventana de especificacin. Esto permite estimar las ecuaciones con transformaciones sencillas de la variables (como tasas o logaritmos) sin tener que generar las series independientemente como objetos nuevos. Por ejemplo, en la siguiente
Captulo II. pg.15
ilustracin, la variable CP86 se explica en funcin del logaritmo de la variable YDH86, del la propia endgena de consumo privado retardada un perodo CP86(-1) y la tasa de variacin porcentual (Percental Change) del deflactor del consumo (@PCH(PCP)). Estimacin de una ecuacin utilizando transformaciones de las variables
Por ltimo, debe observarse que esta ventana puede invocarse para una ecuacin ya creada en cualquier momento pulsando el botn Estimate una vez abierta la ecuacin.
En la ventana inferior del cuadro de dilogo, la ventana de configuracin, se especifica el mtodo de estimacin de los parmetros de la ecuacin, as como la muestra de datos a considerar en esta estimacin. Los mtodos alternativos de estimacin que se ofrecen son: Least Squares Mnimos Cuadrados ordinarios TSLS Mnimos Cuadrados en dos etapas GMM Mtodo generalizado de momento ARCH Modelos autorregresivos para la modelizacin de la varianza (GARCH, TGARCH,EGARCH, C-ARCH) Modelos de eleccin discreta (Lgit, Probit o de Valor Extremo) Modelos censurados (Censored data Tobit) Modelos para variables discretas (Integer count dependent variable)
Salvo que se seleccione el mtodo de Mnimos Cuadrados Ordinarios, cada uno de los otros mtodos de estimacin requerir completar una segunda ventana de dilogo en la que deber especificarse con detalle alguna informacin necesaria para ejecutar una estimacin de este tipo. As, por ejemplo, el mtodo TSLS obliga a la seleccin de las variables que sern utilizadas como instrumentos o el mtodo ARCH permite seleccionar distintos tipos de especificacin ARCH y distintos regresores para la varianza, As mismo, el botn de opciones que aparece en todas las pantallas de estimacin abre siempre un nuevo cuadro de dilogo para especificar an ms algunos parmetros de estimacin (por ejemplo, el tratamiento de una eventual heterocedasticidad o el procedimiento de iteracin que a seguirse en cada caso cuando el procedimiento de estimacin lo requiera).
II.E.3.- Vistas de una ecuacin

Una vez que la ecuacin se ha estimado, como el resto de objetos, sta admite distintas formas de ser vista. Aunque el significado de cada una de estas vistas slo puede comprenderse plenamente cuando se tiene cierta experiencia en estimacin de ecuaciones, podemos ahora anticipar una breve descripcin del sentido de cada una de ellas:
Captulo II. pg.16
View/Representations muestra la ecuacin en tres formas diferentes: como una lista de series (formato tradicional de especificacin), como una expresin algebraica con coeficientes simblicos y como la ecuacin ya estimada con el valor de los coeficientes resultantes. Pantalla de representaciones de una determinada ecuacin
View/Estimation Output ofrece, a la forma tradicional los principales resultados obtenidos en relacin con parmetros, test de significacin y contraste de hiptesis obtenidos. Vista de Resultados de la Estimacin de una determinada ecuacin
View/Actual, Fitted, Residual/Table muestra los valores reales de la variable dependiente, los valores ajustados o estimados para esta variable con la ecuacin y la diferencia entre ambos, es decir, el residuo de la estimacin. La forma en que se puede mostrar esta informacin es doble: en forma de tabla o en forma de grfico. Esta representacin es una de las ms tiles de cara al anlisis posterior de los resultados obtenidos ya que, de un solo vistazo, puede apreciarse grficamente si el ajuste es adecuado o queda lejos de la realidad. Valor actual, estimado y residuo en formato tabla Valor actual, estimado y residuo en formato grfico
Captulo II. pg.17
View/Covariance Matrix muestra la matriz de varianzas y covarianzas de los parmetros estimados necesaria, entre otras cosas, para evaluar la precisin de la estimacin. Matriz de Varianzas y Covarianzas de los parmetros estimados
Esta matriz no debe confundirse nunca con la matriz de varianzas y covarianzas de las variables incluidas en la regresin. Recordemos que, para el caso de la estimacin con MCO en el Modelo Bsico de Regresin Lineal, esta matriz de varianzas y covarianzas de los parmetros estimados responde a la expresin:
V ( ) = 2 ( X ' X ) 1
2 siendo la varianza de la perturbacin aleatoria (o una estimacin insesgada de la misma) y X la matriz de observaciones de las variables exgenas.
View/Coefficient Tests, Residual Tests, & Stability Tests muestra mens adicionales especficos para la puesta en marcha de test de distinta naturaleza; desde test de cambio estructural (stability test coefficient test) como Wald, Chow o Ramsey, a tests sobre las propiedades de los residuos de la estimacin (resoidual tests) y de diagnosis de la ecuacin estimada. Finalizaremos con algo obvio pero necesario: una vez que, por uno u otro mtodo, se ha estimado la ecuacin, esta debe guardarse como un objeto con nombre propio. Por tanto, si no se ha utilizado el comando Object New Object debe entonces usarse el comando Name de la barra de herramientas si se quiere conservar en el futuro. Suele ser un buen procedimiento, utilizar como nombres de ecuaciones el nombre de la variable endgena precedido por la letra Q. En este caso, por ejemplo, el nombre de la ecuacin podra ser QCP86. As, logramos que todas las ecuaciones aparezcan juntas en el listado de objetos contenidos en un workfile .
1
II.E.4.- Otros botones de la ventana de ecuaciones
Captulo II. pg.18
Adems de estas operaciones bsicas para estimar y ver en sus distintos formatos una ecuacin, la pantalla de ecuaciones ofrece algunas operaciones adicionales que repasaremos a continuacin.
1
El botn Procs ofrece un submen en el que las dos primeras opciones coniciden con los comandos Estimacin (Estimate) y Prediccin (Forecast) que veremos ms adelante. La tercera de las opc iones (Make Regressor Group) es muy interesante, ya que permite crear un grupo de variables en el que quedarn guardadas las variables explicativas y la endgena utilizadas en la estimacin de la ecuacin. El men Objects despliega una serie de opciones bsicas de copiado y pegado. Adems, incluye la opcin freeze ya comentada anteriormente as como el comando Store. Este comando, permite almacenar la ecuacin independientemente del workfile, es decir, al ejecutar este comando, la ecuacin queda almacenada como un fichero independiente con la extensin .DBE. Si no se ha nombrado la ecuacin, el EVIEWS permitir especificar el nombre en ese momento. El botn Print imprime la vista activa en ese momento de la ecuacin. El botn Name permite guardar con un nombre la ecuacin estimada. Esta quedar como un objeto en el directorio del workfile precedida por un icono grfico con el smbolo =. El botn Freeze copia la vista activa de la ecuacin como un objeto independiente (tabla o grfico) que no se modificar aunque lo haga la estimacin original e la ecuacin. El botn Estimate abre el cuadro de dilogo de la estimacin de forma que pueda alterarse la especificacin adicional y reestimarse los parmetros. El botn Forecast calcula la prediccin a futuro de la variable endgena segn la estimacin realizada (siempre y cuando las exgenas tengan especificados sus valores a futuro). El botn Stats abre directamente la tabla de resultados de la estimacin. El botn Resids muestra el grfico o la tabla de valores reales, estimados y residuos.
1 1 1
1 1 1 1
CAPTULO III
Interpretacin del anlisis de regresin en EVIEWS: Contrastes y primeras medidas de bondad a priori de un MBRL
II.A.- OBJETIVOS Y CONTENIDOS DE ESTE TERCER CAPTULO
Tras introducirnos en el manejo bsico del programa y dar los primeros pasos del procedimiento de regresin en el segundo captulo, comienza con esta seccin una parte con mayor contenido estadstico y economtrico. Se pretende en esta parte mostrar al alumno los procedimientos estadstico economtricos ms bsicos para el anlisis de la bondad de un modelo bsico de regresin lineal. La idea es, por tanto, que el alumno se aproxime a la tarea de evaluacin del modelo una vez que se supone conocida la etapa de especificacin y el procedimiento de estimacin del mismo. Para el desarrollo de contenido supondremos ya estimado un determinado modelo, a modo de ejemplo, que bien podra ser el obtenido en cualquier regresin efectuada por un alumno principiante, e iremos analizando cada una de las partes de una salida bsica de esa estimacin. Intentar dotar la explicacin del suficiente contenido economtrico como para no elaborar un simple recetario de procedimientos de modo que los conocimientos tcnicos sirvan de base de partida para avanzar en aplicaciones ms complejas. A recordar.... El captulo abordar los procedimientos de evaluacin de un MBRL toda vez que ste se supone inicialmente estimado y especificado.
III.B.- ESPECIFICACIN DEL MODELO Y ESTIMACIN DE PARMETROS

Vamos a partir de una estimacin cualquiera a modo de ejemplo realizada con datos reales. En este caso el modelo especificado ser:
Perodo de estimacin: Mtodo de estimacin: Variable endgena:
1980 1996 M.C.O con series en tasas de crecimiento IMG86. Importaciones Totales de Bienes en pesetas constante 1986. Fuente: Contabilidad Nacional.
Lista de variables exgenas: PMG. Deflactor de Importaciones totales de bienes. Fuente: Contabilidad Nacional. XRAT(-1). Tipo de Cambio Peseta/Dlar retardado un perodo. Fuente: Banco de Espaa. DEMA86. Demanda Interna de Espaa en pesetas constantes de 1986. Fuente: Contabilidad Nacional. F94. Ficticia para el ao 1994.
Se entiende que el proceso seguido hasta la determinacin de la especificacin i icial ha n requerido una serie de estimaciones previas sobre la base de un modelo terico, un completo anlisis de la evolucin del fenmeno estudiado y una adecuada revisin de otras experiencias economtricas realizadas por otros autores sobre el mismo tema. Debe entenderse que, en la mayor parte de las ocasiones, este proceso consume la parte ms importante del tiempo total dedicado a la construccin de
un modelo economtrico y, probablemente la que ms trabajo y dedicacin requiere y la que distingue al puro tratador de datos del verdadero econmetra. El modelo es un modelo sencillo, sin pretensiones, en el que se supone que el volumen de las importaciones de bienes depende de su precio, de la evolucin de la cotizacin de la peseta frente a una moneda de referencia representativa para nuestros intercambios exteriores (dlar) y de la evolucin de nuestra demanda interna. Adems, se utiliza una variable ficticia en 1994 para recoger alguna especial circunstancia que impide un correcto ajuste en ese ao y que, necesariamente, deber asociarse a un hecho concreto en una etapa posterior del anlisis. Como se dijo en el captulo anterior, para especificar esta ecuacin basta con especificar en el men principal la opcin Object/New Object/Equation . Entramos as en el cuadro de dilogo principal de especificacin de la ecuacin. Llamaremos a esta ecuacin QIMG86 siguiendo la regla de notar las ecuaciones con el nombre de su endgena precedido de la letra Q. Como recordaremos del captulo anterior, una vez creada la ecuacin como un objeto nuevo, slo deberemos especificar el nombre de la endgena seguido de la lista de exgenas que utilizaremos como explicativas. Las exgenas deben ser escritas separadas por un espacio y sin olvidar el trmino independiente notado con la letra C . Dado que el modelo est expresado en tasas de crecimiento, utilizaremos para cada variable (excepto para la variable ficticia) la funcin Percental Change escribindola como @PCH(.........) en cada caso. En el caso de la variable XRAT, debe observarse que utilizamos su valor retardado: es decir, el crecimiento o decrecimiento de las importaciones de un ao depende del movimiento de la divisa el ao anterior o, si se prefiere, el movimiento de la divisa este ao, provoca un cambio en el crecimiento de las importaciones el ao prximo. La forma de especificar esto en E-Views, es colocar el grado del retardo, entre parntesis, al final del nombre de la variable del modo en que se muestra en la siguiente ilustracin: Pantalla de ESPECIFICACIN de una ecuacin
El perodo de estimacin (1980- 1986) debe escribirse en la parte inferior del cuadro de dilogo de la especificacin. El mtodo de estimacin, en este caso, es el de Mnimos Cuadrados Ordinarios, notado por EVIEWS con su nombre en ingles: Least Squares. Una vez especificada la ecuacin, ya podemos empezar a analizar los resultados obtenidos en la estimacin. A recordar.... A la hora de especificar una ecuacin en E-Views pueden utilizarse operadores y funciones de E-Views para indicar ciertas transformaciones en variables; as, puede escribirse @pch(PIB) para indicar que se desea utilizar la tasa de crecimiento de la variable PIB almacenada en el fichero, PIB/POBLAC para indicar que se desea utilizar la variable PIB entre la variable POBLAC, @log(PIB) para indicar que se desea utilizar el logaritmo del PIB o, por poner un ltimo ejemplo, XRAT(-1) para indicar que se desea utilizar la variable XRAT retardada un perodo.
III.C.- ANLISIS PRELIMINAR: SIGNOS Y CUANTA

Una vez especificada la ecuacin, el E-Views muestra el resultado tal y como se lustra a continuacin: Vista Estimation Output de una ecuacin estimada
Observando al salida podemos comprobar que la estimacin se ha realizado entre 1982 y 1996. La prdida de dos aos en relacin con el perodo especificado se debe, por un lado, a la utilizacin de tasas de crecimiento y, por lo que se refiere al segundo ao perdido, al uso del valor desplazado del tipo de cambio peseta dlar (XRAT). Tenemos por tanto 15 aos de ajuste de la ecuacin para un modelo con 5 variables explicativas, es decir, contamos con 10 grados de libertad.
A recordar.... Los grados de libertad de un modelo se computan al comparar el tamao de la muestra utilizada (nmero de aos, meses, trimestres, individuos.....) con las necesidades de estimacin que la ecuacin implica (nmero de parmetros a estimar). Una norma elemental para la fiabilidad en el desarrollo de cualquier ejercicio de inferencia estadstica, consiste en contar con suficientes grados de libertad (desde luego nunca menos de 10 - 15 con datos anuales).
III.C.1.- Anlisis de signos

El primero de los anlisis preliminares a realizar ser el de los signos de las variables. Se trata de analizar si los signos de los parmetros asociados a cada una de estas variables (relacin directa o inversa entre la variable explicativa y la endgena) son correctos segn nuestros conocimientos tericos y lo aprendido sobre el fenmeno a lo largo de la tarea de especificacin. Parece lgico pensar que si alguno de los signos fuera incorrecto, no cabra ms alternativa que modificar algn aspecto de la especificacin inicial. A este respecto, deben tenerse en cuenta ciertas precauciones:... Muchas variables admiten signos diferentes, incluso desde un punto de vista conceptual, as pues, conviene no tomar decisiones irreflexivas:
Por ejemplo qu signo cabe esperar entre la presin fiscal y el nivel de recaudacin impositiva?. La primera impresin parece ser que la relacin debe ser directa (signo positivo), es decir, a medida que la presin aumenta la recaudacin debera aumentar y viceversa. Sin embargo, no son pocos los casos en los que, dado un nivel de presin fiscal asfixiante, cualquier incremento adicional provoca un descenso en la recaudacin, bien por efecto del aumento del fraude, bien por abandono de actividades profesionales y empresariales que no resisten ese nivel de presin (Curva de Laffer). La Teora razona los signos suponiendo una serie de condiciones previas que no siempre se dan en la realidad. Por ejemplo la teora nos dice que, suponiendo competencia perfecta, un incremento en los precios de un servicio (por ejemplo la telefona) debe provocar un descenso de la demanda. Sin embargo, es evidente que, en una situacin de monopolio la demanda es casi insensible al precio y se mueve condicionada por otros efectos. La medicin de los fenmenos no siempre es correcta (errores en la medicin por parte del modelizador) y eso altera la naturaleza del signo observado: Por ejemplo, es de esperar que entre importaciones y precios de importacin exista una relacin negativa aparentemente lgica, sin embargo, si el modelizador mide las importaciones en trminos nominales (Precio x Volumen) en lugar de en trminos reales (Volumen) un crecimiento de los precios implica matemticamente un crecimiento de las importaciones nominales, siempre que el descenso de la demanda de importaciones en volumen sea de menor cuanta. En los modelos utilizamos una visin esttica frente a la dinamicidad de la realidad lo que altera los signos observados.
Por ejemplo, supongamos que en durante los meses de noviembre y diciembre del ao 2000, el tipo de cambio Euro/Dlar crece bruscamente un 15%. Es razonable esperar que las exportaciones e importaciones europeas con el rea dlar acusen este cambio conforme a la teora econmica, pero con un cierto retraso: quizs el efecto de la nueva cotizacin empiece a notarse en enero o febrero del 2001. Sin embargo, al construir el modelo con una visin anual esttica, el dato del tipo de cambio Euro/dlar para el 2000 recoger esa fuerte variacin del ao 2000 mientras que los datos de exportaciones e importaciones no se vern afectados: esto dificultar que las variables, medidas anualmente, reflejen la hipottica relacin esperada. Los sistemas econmicos cambian alterndose algunas relaciones bsicas, hacindose difcil observar signos aparentemente claros: Por ejemplo, es bien sabido que, hace un par de dcadas, los movimientos comerciales determinaban en buena medida los movimientos de una divisas respecto a otros (los tipos de cambio). Sin embargo, a partir del incremento en la globalizacin e internacionalizacin de los mercados de capitales, es claro que son estas transacciones de capital las que determinan los movimientos cambiarios. Los intercambios comerciales han perdido, progresivamente capacidad determinante lo que, evidentemente, induce una relacin, un signo, ms dbil, ms confuso del inicialmente esperado.
A recordar.... Los signos de los parmetros que ligan cada exgena con la endgena deben juzgarse como correctos o incorrectos segn la teora econmica econmica subyacente y nuestro conocimiento conceptual del fenmeno estudiado. Sin embargo, el juicio debe ser reposado, cauto, a fin de no desechar a primeras de cambio, un signo incorrecto slo en apariencia. Ms an, en cierto modo, un ejercicio sosegado de anlisis de signos fuerza a un ejercicio de reflexin que permite descubrir, desvelar, aspectos conceptuales que no fueron considerados al inicio del trabajo de especificacin. No conviene, sin embargo, tomar todo lo anterior como una licencia para admitir cualquier signo. Recordemos que, en ese sentido, y siempre a toro pasado los economistas tenemos fama de ser capaces de explicar cualquier cosa.
En nuestro ejemplo, la interpretacin de los signos podra ser la siguiente: Trmino independiente: Salvo raras excepciones el trmino independiente carece de valor econmico, conceptual y por tanto la interpretacin de su signo no tiene excesivo sentido. Precios de importacin (PMG): Dado que las importaciones estn expresadas en pesetas constantes, esto es, en volumen, cabe esperar que incrementos en los precios generen d isminuciones de los volmenes importados y viceversa. El signo negativo del parmetro 0.141374 es, por tanto, aparentemente correcto. Tipo de cambio peseta dlar (XRAT): El tipo de cambio peseta dlar debe tener, lgicamente, signo negativo: ante un incremento del tipo de cambio las importaciones se reducen y viceversa. Debe pensarse que las importaciones se realizan en la moneda del pas exportador. As, un incremento del tipo de cambio Pta/Dlar equivale a una depreciacin de nuestra moneda frente al dlar (hoy nos cuesta ms pesetas que ayer comprar algo que vale un dlar en EEUU). No obstante, el hecho de que las importaciones se expresen en moneda nacional (pesetas) dificulta la correcta interpretacin del signo ya que, an importndose un menor volumen, este tendra un mayor valor al trasladar ese valor a pesetas. Suponemos, en cualquier caso, que el signo es correcto. Demanda interna (DEMA86): La interpretacin de el signo de esta variable no es sencilla. Por un lado, una aproximacin directa nos invita a pensar que el incremento de demanda interior responde a una situacin generalizada de incremento de renta, que debera generar incremento de las compras al exterior. Sin embargo, la experiencia en el caso espaol afirma que la demanda interna es una alternativa a la externa, reemplazndose una a otra a partir de un determinado nivel en sus tasas de crecimiento (aproximadamente 2,5%). Nos inclinaremos en este caso por la interpretacin inicial ms sencilla y concluiremos que el signo positivo es correcto. F94: El signo de la variable ficticia puede eventualmente interpretarse, pero para ello sera necesario identificar correctamente el significado de la misma.
III.C.2.- Anlisis de cuanta de los parmetros estimados.

Una vez verificada la correccin de los signos de las variables exgenas del modelo podemos pasara a evaluar la importancia relativa de cada una de ellas. As, en nuestro ejemplo, este anlisis nos permitir conocer si la evolucin de las importaciones depende en mayor medida de los movimientos en el tipo de cambio, en los precios o en la demanda interna. Este tipo de anlisis suele recibir el nombre de Anlisis de Cuanta. Debe sealarse antes de nada que, aunque en este documento se ha invertido el orden natural, este anlisis de cuanta slo debera hacerse cuando tuvisemos plena seguridad de que la especificacin del modelo fuese correcta y casi definitiva. En este sentido, sera conveniente haber analizado antes la significatividad estadstica de cada una de las variables, ya que parece absurdo dedicar esfuerzos analticos a variables que, en realidad, no resultan estadsticamente relevantes para explicar el fenmeno analizado.
Lamentablemente, los parmetros ofrecidos por el E-Views en la columna Coefficient no permiten conocer con exactitud la importancia relativa de cada variable. As, no puede decirse que los coeficientes mayores identifiquen las variables ms relevantes y viceversa. Este problema es comn a cualquier regresin y se deriva de utilizar variables medidas en escalas diferentes: as, cuando mezclamos variables explicativas medidas en escalas distintas los parmetros toman inevitablemente tamaos distintos (una variable., por ejemplo, medida con cifras de 4 dgitos y otra, por ejemplo, medida con cifras de 2 dgitos). Efectivamente, parece lgico pensar que si las dos variables del ejemplo anterior (una medida con 4 dgitos y la otra con dos) han de influir de forma similar en la variable endgena a travs de sus parmetros, el parmetro de la variable medida en menor escala sea el doble de grande que el parmetro asociado a la variable con valores mayores. Lo dicho anteriormente obliga a transformar los coeficientes inicialmente obtenidos derivando lo que se denomina Coeficientes Estandarizados que, ahora s, podrn ser calculados entre variables. Para calcular los coeficientes estandarizados debemos obtener el clculo de las desviaciones tpicas de las variables exgenas y de la variable endgena dado que utilizaremos, para cada parmetro, la expresin de clculo: Expresin de clculo de los parmetros estandarizados
DT ( x j ) j * = j DT ( y )
j donde representa un parmetro estandarizado, el valor No estandarizado de ese mismo parmetro y DT(xj) y DT(y) las desviaciones picas de la variable exgena cuyo parmetro t estamos estandarizando y de la variable endgena.
* j
Para obtener las desviaciones tpicas de la forma ms cmoda en E-Views, podemos como primer paso crear un grupo con las variables involucradas en la regresin. Para ello utilizaremos la opcin Procs/Make Regressor Group de la barra de herramientas de la ecuacin activa. Para obtener la desviacin tpica de las variables involucradas en la ecuacin basta con seleccionar la vista de estadsticos descriptivos para la muestra comn de datos de la barra de tareas (View/Descriptive Stats/Common Sample). Vista Estadsticos Comunes para un grupo de variables
Utilizando el valor de la desviacin tpica de la tabla anterior, podemos calcular por fin el valor de los parmetros estandarizados:
DT ( PMG ) 0,0822875 PMG * = PMG = 0,141374 = -0,1540 DT ( IMG 86) 0,07608
XRAT = XRAT DT ( XRAT ) = 0,043683 0,154107 = -0,0885 * DT ( IMG 86) 0,07608 DT ( DEMA 86) 0,033898 * DEMA86 = DEMA86 = 1,854523 = 0,8263 DT ( IMG 86) 0,07608
Observando los coeficientes estimados del modelo en tasas, podemos aventurar que la variable fundamental es la evolucin de la demanda interna: su coeficiente supera ampliamente el resto. Del mismo modo, tambin podramos asegurar que el tipo de cambio desplazado apenas influye sobre los valores de la variable endgena. El signo de la variable ficticia tiene un relativo inters ya que slo afecta al ao 1994 dado que la variable F94 toma el valor cero en el resto de perodos. En nuestro caso concreto, observaremos no obstante que el parmetro estandarizado no se distancia excesivamente del inicialmente estimado. Esto sucede, sencillamente, porque las variables exgenas incluidas en la regresin original estaban medidas en una escala similar, al estar todas ellas expresadas en tasas de crecimiento. Por este motivo suele decirse que en un modelo estimado en tasas de crecimiento, los coeficientes de las variables pueden compararse de forma directa.
A recordar.... Los parmetros estimados de una regresin no pueden compararse entre s de forma directa si las variables estn medidas en escalas diferentes. En ese caso, deben calcularse los parmetros estandarizados para observar la importancia relativa de las variables. Los parmetros estandarizados se calculan para cada variable a partir del valor del parmetro original de esa variable, la desviacin tpica de esa variable y la desviacin tpica de la variable endgena.
III.D.- ANLISIS DE SIGNIFICATIVIDAD ESTADSTICA

Una vez realizado el anlisis de signos y cuanta, podemos entrar con el anlisis de significatividad de las variables incluidas en la especificacin. Este anlisis implica tanto en anlisis individual de cada variable individualmente considerada como el del conjunto de la especificacin.
III.D.1.- Contraste de significacin individual. Elaboracin de intervalos de confianza.

La primera de las operaciones bsicas consiste en elaborar intervalos de confianza para los parmetros estimados a fin de determinar la variabilidad o precisin de cada uno de los coeficientes estimados . Para elaborar un intervalo de confianza de un parmetro resulta bsico conocer la forma y los parmetros de su distribucin. Para cada una de las variables incluidas en la especificacin tenemos un parmetro estimado para el que, a su vez, podemos calcular la varianza y su raz (la desviacin tpica). Por otro lado, sabemos que la estimacin mnimo cuadrtica es una estimacin insesgada y que, por tanto, la esperanza de cada parmetro estimado es el verdadero valor del parmetro. Tan slo debemos reparar en que los parmetros estimados, al ser una funcin lineal de la perturbacin aleatoria, se distribuyen conforme a una normal y que, por lo tanto, conocidos todos los aspectos de la distribucin podemos escribir: Distribucin de cada parmetros estimado
j N ( j , a jj )
donde representa la desviacin tpica de la perturbacin aleatoria y a jj hace referencia al elemento de la diagonal principal de la matriz (XX) -1 que corresponda al parmetro j , ya que la expresin de la matriz de varianzas y covarianzas de los parmetros estimados es:
DT ( ) = 2 ( X ' X ) 1
El problema es que, an conociendo esta distribucin, no podemos utilizar la distribucin conocida de la normal para elaborar intervalos de confianza ya que desconocemos el valor real de Podemos . utilizar como estimador de el estimador insesgado:
e' e 2 = . nk
donde e representa el vector de residuos obtenido en la estimacin. Sin embargo, si hacemos esta sustitucin, la distribucin de los parmetros estimados se modifica y la distribucin normal se transforma en una distribucin t de Student. Dicho de otra forma, el parmetro expresado en trminos estandarizados:
j * = j j a jj
no se distribuye como una normal con media cero y desviacin tpica uno, N(0,1), sino como una t de Student con n-k grados de libertad. Utilizando las tablas de una t de Student, podemos por tanto, para contrastar hiptesis, buscar los valores de los lmites h1 y h2 que definen un intervalo de probabilidad como el siguiente:
P( h1
j j h2 ) = 0.95 a jj
dada una hiptesis cualquiera H0 para el valor real del parmetro. La hiptesis que interesa contrastar es la de la nulidad de cada uno de los parmetros reales: es el parmetro real j nulo?. Bajo esta hiptesis nula (H0: j=0), la construccin de intervalos de confianza se reduce a encontrar los valores tabulados de h1 y h2 que satisfacen la igualdad:
P( h1
j a jj
h2 ) = 0.95
Si observamos una tabla de la t de Student para unos 15 grados de libertad aproximadamente localizaremos que esos valores lmites son de 2 y 2 respectivamente. Dicho de otra forma, cuando la estimacin de un parmetro es igual o inferior a dos veces su desviacin tpica, debemos admitir que el parmetro real es nulo, todo ello con un nivel de confianza del 95%:
P( 2 a jj j +2 a jj ) = 0.95 P( 2DT ( j ) j +2DT ( j ))

El E-Views, nos ofrece precisamente y de forma directa el valor de la ratio entre el parmetro estimado y su desviacin tpica, lo que generalmente se conoce simplemente como el estadstico t
de Student de cada parmetro. La regla es bien sencilla: si ese ratio supera el valor de 2 concluir que la variable es, de forma individual, estadsticamente significativa. Informacin sobre los coeficientes suministrada por E-Views
debemos
Ntese como el valor de la t es, efectivamente, el cociente simple entre el valor del parmetro (Coefficien) y su desviacin tpica (Std. Error). La matriz de varianzas y covarianzas de cada parmetro podemos observarla si solicitamos la vista de Covariance Matrix en la barra de tareas de la ecuacin. Matriz de varianzas y covarianzas de los parmetros estimados
Si quisiramos seguir algo ms el clculo, veremos que el E-Views ofrece el valor del estimador insesgado de la varianza de la perturbacin aleatoria que debemos usar para calcular la varianza de cada parmetro. Concretamente, la raz de este valor aparece con el nombre de S.E. of regression en la salida bsica de la regresin. Una forma ms cmoda y ajustada de testar la significatividad de cada parmetro es, pese a lo anterior, observar el nivel de significacin asociado al rechazo de la hiptesis nula que el E-Views ofrece en la ltima columna (Prob). Debemos recordar que la hiptesis nula que estamos contrastando es la nulidad de cada uno de los parmetros reales del modelo terico. Este es, efectivamente, el nivel de significacin que deberamos fijarnos para poder rechazar la nula admitiendo el parmetro como significativo: As, en el caso del tipo de cambio retardado, el valor 0.3978 indica que slo suponiendo un 40% de nivel de significacin (y por tanto un 60% de nivel de confianza) podramos admitir ese parmetro como significativamente distinto de cero. Para la variable de precios de importacin (PMG), el valor de la t de Student es de-1.65. Este valor es inferior a dos, lmite marcado para 15 grados de libertad, pero es an peor si lo comparamos con el valor de referencia para 10 grados de libertad. En concreto, podramos decir que ese valor superara al valor de tablas con un nivel de confianza del [1-0.13 = 87%.]
1 El valor 2 es el valor aproximado para el caso de un modelo con 15 grados de libertad. Lgicamente, a medida que los grados de libertad disminuyen ese valor crtico que ha de superar el estadstico t de Student es mayor.
Dicho de otro modo, si m antenemos que el verdadero valor del parmetro no es nulo slo podremos estar seguros de ello con un 87% de confianza. Para la variable de demanda interna (DEMA86), el valor de la t de Student es de 9,06. Este valor supera ampliamente el marcado por las tablas para 10 grados de libertad. No hay ninguna probabilidad de equivocarnos si decimos que el verdadero valor del parmetro es nulo.
A recordar.... El primer paso realmente importante en la validacin de un modelo economtrico consiste en determinar si cada variable es estadsticamente relevante o no para explicar la evolucin de la variable endgena: a esta operacin se la denomina contraste de significacin individual de parmetros. La hiptesis nula que contrastamos para cada parmetro es la d su nulidad real. El estadstico de e contraste a utilizar es una t de Student que nace por cociente entre el valor del parmetro y su desviacin tpica. Si el valor de la t supera el valor de tablas rechazamos la hiptesis nula admitiendo la significatividad del parmetro, o sea, la relevancia de la variable explicativa. El E-Views ayuda a contrastar esta hiptesis para cada variable ofreciendo el nivel de significacin que habramos de fijarnos para el rechazo de la nula. Niveles por encima del 0,05 0,1 indican que el coeficiente no puede considerarse significativamente distinto de cero, al menos con un nivel de confianza del 90 o 95%.
III.D.2.- Contrastes de significacin conjunta.
Contraste conjunto de nulidad de parmetros
Igual que es posible contrastar estadsticamente la significatividad individual de cada variable, tambin es posible hacerlo del modelo en su conjunto. En esta ocasin no se trata por tanto de decidir si cada variable debe estar o no en la especificacin del modelo, sino decidir si el conjunto de variables utilizadas, como un grupo, sirve o no a los objetivos de modelo. Al igual que en el apartado anterior plantebamos la hiptesis nula de que cada uno de los parmetros reales es nulo, en esta ocasin la hiptesis nula a contrastar es la nulidad simultnea de todos los parmetros del modelo. Debe notarse que esta hiptesis nula es muy difcil de ser aceptada en tanto en cuanto la NO nulidad de, al menos, un coeficiente del modelo equivaldra a su rechazo. Es por esto por lo que el contraste habitual utilizado, la F de Snedecor, pocas veces nos aportar informacin valiosa y ser muy poco habitual encontrar un modelo en el que este estadstico no supere el valor crtico de tablas sealado para los grados de libertad del modelo. La expresin del estadstico F utilizado para el contraste conjunto de nulidad de un modelo es la siguiente:
F( k ,n k ) =
' ( X ' X ) 1 2 k
Esta expresin se distribuye efectivamente como una F con (k, n-k) grados de libertad. Como ya se ha dicho, la hiptesis nula que contrataremos ser la de la nulidad conjunta de todos los parmetros reales de las variables del modelo frente a la alternativa de que al menos un coeficiente sea distinto de cero. No obstante, debe especificarse que se excluir de la anterior hiptesis el trmino independiente. dado que, en este contexto, resulta poco relevante el valor que ste tome . Ntese como la expresin anterior puede transformarse en esta otra que resulta ms fcilmente interpretable.
F( k 1,n k ) =
y' y e' e 2 k
Aunque no vamos a desarrollar con detalle este contraste podemos decir, sin prdida de generalidad, que el valor crtico de tablas para el rechazo de la nula con 15 grados de libertad est en torno a 4. Si el valor calculado supera a este valor c tico deber rechazarse la hiptesis nula, r aceptndose entonces la especificacin global como significativa. El E-Views ofrece el valor calculado de la F en la parte inferior de la salida de resultados bsicos. Puede observarse como en nuestro caso ese valor es de 41.44. La probabilidad que se muestra bajo el clculo de la F tiene una interpretacin similar al caso de la t de Student para el contraste individual (nivel de significacin que habramos de fijarnos para el rechazo de la nula). No existe, en nuestro caso, ninguna probabilidad de equivocarnos si decimos que el valor calculado es suficientemente elevado como para rechazar la hiptesis nula.
A recordar.... El contraste de significatividad conjunto nos permite significativo. afirmar si el conjunto de variables elegidas es
Para ello planteamos un contraste para la nula de nulidad conjunta de todos los parmetros. Este contraste se realizar con el estadstico F (k,n-k). Si el valor del estadstico supera el valor crtico rechazamos la hiptesis nula.
Coeficiente de determinacin
Una de las medidas ms utilizadas habitualmente en la valoracin conjunta del modelo es el coeficiente de determinacin o R2. Esta medida expresa un concepto sencillo: se trata del porcentaje de la varianza de la endgena que conseguimos explicar con las variables del modelo. Debemos pensar que el inters del analista es precisamente este: explicar por qu la variable endgena vara....... (si la variable endgena no variase, fuese una constante, el analista no tendra ningn trabajo que hacer).... Ese porcentaje variar entre 0 y 1; cuanto ms se acerque, ms poder explicativo tendr nuestro modelo. Este concepto parte de la idea de que la varianza de la variable endgena puede descomponerse en dos partes, la varianza de la endgena estimada y la del residuo:
S y2 = S y2 + S e2
Partiendo de esta idea, la expresin de la R2 resulta sencilla de derivar:
R =
2
S2 y S2 y
R2 =1
S e2 S2 y
El E-Views ofrece, lgicamente, el valor de este coeficiente as como el de la R2 corregida. Esta 2 transformacin que se denomina R corregida pretende tener en cuenta los grados de libertad del modelo. La razn de esta correccin tan necesaria estriba en que la varianza de la estimacin se aproxima tanto ms a la varianza de la endgena real cuanto mayor es el nmero de variables introducidas: de esta forma, para obtener un buen resultado en trminos de la R2 bastara con introducir un nmero elevado de variables exgenas. Sin embargo, debe observarse que un modelo con muchas variables ve reducidos sus grados de libertad lo que le resta capacidad para ser utilizado como herramienta de inferencia estadstica, es decir, la fiabilidad de los resultados estadsticos de la estimacin disminuye a medida que los grados de libertad (n-k) se reducen. La expresin de este coeficiente corregido pretende ponderar precisamente lo que se gana y lo que se pierde al introducir nuevas variables en un modelo. Su expresin es:
R 2 = 1 (1 R 2 )
n 1 nk
En nuestro caso, el valor d la R2 es de 0.94 mientras que el corregido es de 0.92. Ambos e resultados pueden considerarse excelentes, en especial para un modelo en tasas de crecimiento (es tradicionalmente ms complejo obtener una buena estimacin en tasas de crecimiento que en niveles dado que los niveles suelen evolucionar de manera ms previsible, menos voltil, que las tasas de crecimiento. Los valores aceptables para a R 2 dependen de varios factores pero, en t rminos generales, podemos decir que una buena R2 se mueve entre el 0,75 - 0,8 como valor mnimo. No obstante, no conviene caer en la tentacin de valorar un modelo por su R2 ya que resulta sencillo encontrar un modelo con elevado coeficiente de determinacin y con problemas graves en otros rdenes, por ejemplo en materia de autocorrelacin y multicolinealidad. A recordar.... El coeficiente R 2 permite evaluar en cierta medida la bondad del ajuste ya que representa el porcentaje de variabilidad de la endgena recogido por el modelo. La comparacin entre modelos con distintos grados de libertad debe hacerse siempre utilizando el valor de la R2 corregida. No conviene caer en la tentacin de calificar un modelo a priori slo por el valor de su R 2. Aunque este es un buen punto de partida, otros muchos factores determinarn la solvencia de un modelo de regresin.
III.E.- ANLISIS DE ERRORES

Independientemente de las virtudes estadsticas de los parmetros estimados, el modelo slo puede ser considerado valioso si es capaz de reproducir la realidad estimada, es decir, si comete errores reducidos. El anlisis de los errores es, por tanto, una etapa que no puede ser omitida. Tenemos varias formas de aproximarnos a los errores y varias medidas con las que cuantificarlo; vamos a continuacin a exponer las principales:
III.E.1 Anlisis grfico del ajuste del modelo estimado. Cambios de tendencia.
Los residuos o errores de un modelo representan las diferencias entre el valor real de la endgena en cada perodo y el valor estimado por el modelo para ese mismo perodo. Evidentemente, el anlisis de residuos nos ofrece informacin sobre la calidad del ajuste del fenmeno real logrado por el modelo. Resulta prctica habitual examinar el grfico de ajuste de cada ecuacin estimada desde el primer momento en que esta se estima. En ocasiones, las medidas calculadas para el total de la muestra como por ejemplo, el porcentaje medio de error absoluto, no permiten apreciar algunos matices como, por ejemplo, si existen puntos atpicos (error excesivo) en el ajuste, o si, por ejemplo, el error se va ampliando a medida que nos acercamos al final de la muestra advirtindonos as de lo complicado de su uso para la prediccin.
Grfico de residuos
El E-Views ofrece este grfico de ajuste en la opcin View/Actual,Fitted,Residual/Graph. Por ejemplo, en nuestro caso, puede observarse claramente cmo en 1990 se comete un error importante en relacin al comportamiento en el resto del perodo. Tambin puede apreciarse que entre los aos 1985 y 1991 el ajuste e algo peor que al principio y al final de la muestra (aunque nos ligeramente si no recoradamos que en 1994 hemos introducido una ficticia). Puede tambin observarse si la serie ha conseguido reproducir los cambios de tendencia de la serie original. Probablemente, la capacidad de una estimacin de seguir la tendencia de la serie original se evala por la capacidad para reproducir los cambios de tendencia reales de la serie. Si la estimacin no consigue reproducir estos cambios su utilidad ser limitada. Un cambio de tendencia es un paso de l serie desde una etapa de crecimiento a una de a decrecimiento o viceversa, es decir, un mnimo o un mximo local. Si se produce un mnimo o mximo en la serie original, pero nuestra estimacin es incapaz de reproducirlo (de caprtarlo), diremos que existe un Error de tipo II en el ajuste. Si la serie estimada indica un cambio de tendencia que en realidad no ocurri decimos que se ha producido un Error de tipo I. En nuestro caso, la deteccin de puntos de cambio de estructura y el ajuste de los mismos se resume en la siguiente tabla: Cambios de tendencia y su ajuste AO 1984 1987 1988 1990 1991 1993 1994 SERIE REAL Mnimo Mximo Mnimo Mnimo Mximo Mnimo Mximo SERIE ESTIMADA Mnimo Mximo Mnimo Mnimo Mximo CALIFICACIN Correcto Correcto Correcto Error Tipo II Error Tipo II Correcto Correcto
Generalmente, los errores de tipo I y II no se expresan en trminos absolutos sino como ratios. As, el nmero de errores de tipo I se compara con el nmero de mximo o mnimos previstos por el modelo mientras que el nmero de errores de tipo II se compara con el nmero de mximos y mnimos que pueden encontrarse en la serie real. De este modo puede decirse para los errores de tipo I ... el modelo se ha inventado 2 cambios de los 6 que ha previsto......... y para los errores de tipo II.... el modelo no ha captado 4 cambios de los 8 reales....
A recordar.... El anlisis grfico de los residuos aporta generalmente informacin muy valiosa al analista que no puede observarse en los clculos resumen. Uno de los puntos ms valorados de cualquier estimacin es la de reproducir correctamente los mximos y mnimos de la serie real. Por ello, deben computarse siempre los errores de tipo I y II de un modelo tal y como se describe ms arriba.. Estos clculos deben presentarse en trminos relativos
III.E.2 Medicin del error

Adems de analizar grficamente los errores, conviene calcular alguna medida resumen de del residuo. Una primera posibilidad consiste en utilizar directamente las medidas de estadstica descriptiva que ofrece el programa E-Views para la serie de residuos. Estos valores pueden observarse utilizando la opcin ResiualTest/Histogram de la barra de tareas:
Estos estadsticos tienen una utilidad relativa para esta fase del anlisis dado que la media aritmtica del error ser siempre nula y la mediana, el mximo y mnimo tienen un reducido inters al depender de la magnitud en que se mida la propia variable endgena. Suelen elaborarse por ello, algunas medidas adicionales que el E-Views no ofrece de forma inmediata y que reproducimos a continuacin: Error cuadrtico medio :
ECM =
e
i =1
2 i
en nuestro caso, la forma ms sencilla de calcular esta ratio es a partir de la suma cuadrtica residual ofrecida por E-Views Sum squared resid. En nuestro ejemplo, el clculo resulta:
ECM =
Error absoluto medio:
0,004610 = 0.00031 15
EAM =
e
i =1
para obtener esta medida, lo ms cmodo es almacenar previamente los residuos estimados en una variable. Esta operacin la realiza directamente el E-Views que, al estimar una determinada ecuacin, guarda en una serie denominada Resid, los residuos de la estimacin. Slo hara falta generar la serie de valores absolutos a partir de esta inicial de residuos. Para generar esta serie de residuos absolutos elegiremos la opcin Generate Series del botn Procs de la barra de tareas y escribiremos la expresin de esta nueva variable utilizando el operador SUM(x):
Una vez generada la serie, para obtener la suma de valores de la misma y dividirla entre el total de observaciones volveremos a generar una nueva serie utilizando la funcin @SUM:
El valor obtenido en nuestro caso es de 0.012. Porcentaje de error absoluto:
PEA =
y
i =1
ei
i
esta medida es una medida relativa en la que compara el residuo obtenido con los valores de la endgena lo que aporta una dimensin ms valiosa a la medida. Efectivamente, de entre las muchas
medidas del error disponibles, debemos siempre decantarnos por alguna que mida el error en trminos relativos, esto es comparando el tamao del error con el nivel de la variable endgena. Las anteriores medidas slo parecen recomendable para comparar la precisin de distintos modelos entre s. En nuestro caso, para generar esta medida una vez ms debemos utilizar la pantalla de generacin de variables:
A recordar.... El anlisis grfico de los residuos debe completarse con alguna medida resumen. Las variables que expresan el error en trminos relativos son las ms tiles.

Manual Eviews PDF

Загружено:

Сведения о документе

Исходное описание:

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Manual Eviews PDF

Загружено:

Авторское право:

Доступные форматы

Gua de Manejo del programa E-Views

GUA DE MANEJO DEL PROGRAMA E-VIEWS

Licenciatura en Administracin y direccin de empresas Asignatura: Econometra I Dpto. Economa Aplicada

Gua de Manejo del programa E-Views

Gua de Manejo del programa E-Views

Ventana de Objeto Abierto (Grfico serie)

Gua de Manejo del programa E-Views

Gua de Manejo del programa E-Views

Print Print Setup Exit

Print View Options

Gua de Manejo del programa E-Views

Gua de Manejo del programa E-Views

VISTA DE GRFICO DE LNEAS

VISTA DE TEST DE RAICES UNITARIAS

Gua de Manejo del programa E-Views

Gua de Manejo del programa E-Views

Barra de Herramientas Lnea de Status Directorio de Objetos

Gua de Manejo del programa E-Views

Gua de Manejo del programa E-Views

Gua de Manejo del programa E-Views

Con esta pantalla conservamos las variables unidas en un grupo.

Gua de Manejo del programa E-Views

Gua de Manejo del programa E-Views.

Captulo II. pg.14

Gua de Manejo del programa E-Views.

Captulo II. pg.15

Gua de Manejo del programa E-Views.

Captulo II. pg.16

Gua de Manejo del programa E-Views.

Captulo II. pg.1

Gua de Manejo del programa E-Views.

Captulo II. pg.2

II.B.- GRFICOS DE SERIES EN E-VIEWS

II.B.1.- Cmo representar grficos de series individuales

II.B.2.- Cmo representar grficos de varias series

Gua de Manejo del programa E-Views.

Captulo II. pg.3

II.B.3.- Opciones de grficos

Gua de Manejo del programa E-Views.

Captulo II. pg.4

Men de opciones de grfico

Gua de Manejo del programa E-Views.

Captulo II. pg.5

II.C.- OBTENCIN DE ESTADSITICOS BSICOS DE UNA SERIE

Gua de Manejo del programa E-Views.

Captulo II. pg.6

II.C.1.- Estadsticos bsicos de series individuales

Ms adelante se muestran algunos clculos que ayudan a valorar la normalidad estadstica de la

Gua de Manejo del programa E-Views.

Captulo II. pg.7

I.C.2.- Estadsticos para grupos de series

Gua de Manejo del programa E-Views.

Captulo II. pg.8

Gua de Manejo del programa E-Views.

Captulo II. pg.9

Gua de Manejo del programa E-Views.

Captulo II. pg.10

Gua de Manejo del programa E-Views.

Captulo II. pg.11

Gua de Manejo del programa E-Views.

Captulo II. pg.12

Gua de Manejo del programa E-Views.